Программа магистра наук о данных Джонса Хопкинса — это программа для выпускников, предлагаемая Университетом Джонса Хопкинса, которая направлена ​​на обучение студентов навыкам и знаниям, необходимым для работы в области науки о данных. Вот несколько методов, обычно используемых в науке о данных, а также примеры кода:

1. Линейная регрессия.
   Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Вот пример использования библиотеки Python scikit-learn:

from sklearn.linear_model import LinearRegression
# Create a linear regression object
regression = LinearRegression()
# Fit the model to the data
regression.fit(X, y)
# Predict the target variable
y_pred = regression.predict(X_new)

2. Логистическая регрессия.
   Логистическая регрессия используется для моделирования взаимосвязи между бинарной зависимой переменной и одной или несколькими независимыми переменными. Вот пример использования библиотеки Python scikit-learn:

from sklearn.linear_model import LogisticRegression
# Create a logistic regression object
logreg = LogisticRegression()
# Fit the model to the data
logreg.fit(X, y)
# Predict the target variable
y_pred = logreg.predict(X_new)

3. Деревья решений.
   Деревья решений — популярный метод машинного обучения для задач классификации и регрессии. Вот пример использования библиотеки Python scikit-learn:

from sklearn.tree import DecisionTreeClassifier
# Create a decision tree classifier object
dt = DecisionTreeClassifier()
# Fit the model to the data
dt.fit(X, y)
# Predict the target variable
y_pred = dt.predict(X_new)

4. Случайные леса.
   Случайные леса — это ансамблевый метод обучения, который объединяет несколько деревьев решений для повышения производительности. Вот пример использования библиотеки Python scikit-learn:

from sklearn.ensemble import RandomForestClassifier
# Create a random forest classifier object
rf = RandomForestClassifier()
# Fit the model to the data
rf.fit(X, y)
# Predict the target variable
y_pred = rf.predict(X_new)

5. Машины опорных векторов (SVM):
   SVM – это мощный метод для задач классификации и регрессии. Вот пример использования библиотеки Python scikit-learn:

from sklearn.svm import SVC
# Create an SVM classifier object
svm = SVC()
# Fit the model to the data
svm.fit(X, y)
# Predict the target variable
y_pred = svm.predict(X_new)

Это всего лишь несколько примеров методов, используемых в науке о данных. Существует множество других методов и алгоритмов, доступных в зависимости от конкретной проблемы и данных, с которыми вы работаете.