«Магистры наук о данных JHU» относятся к магистерской программе по наукам о данных, предлагаемой Университетом Джонса Хопкинса. Вот несколько методов, обычно используемых в науке о данных, а также примеры кода:

1. Очистка данных:

   • Метод: удаление пропущенных значений из набора данных с помощью pandas.

     import pandas as pd
     
     # Load dataset
     df = pd.read_csv('data.csv')
     
     # Drop rows with missing values
     df_cleaned = df.dropna()

2. Визуализация данных:

   • Метод: создание точечной диаграммы с использованием matplotlib.

     import matplotlib.pyplot as plt
     
     # Generate data
     x = [1, 2, 3, 4, 5]
     y = [2, 4, 6, 8, 10]
     
     # Create scatter plot
     plt.scatter(x, y)
     plt.xlabel('X')
     plt.ylabel('Y')
     plt.title('Scatter Plot')
     plt.show()

3. Машинное обучение – линейная регрессия:

   • Метод: реализация линейной регрессии с использованием scikit-learn.

     from sklearn.linear_model import LinearRegression
     
     # Generate data
     X = [[1], [2], [3], [4], [5]]
     y = [2, 4, 6, 8, 10]
     
     # Create linear regression model
     model = LinearRegression()
     model.fit(X, y)
     
     # Predict
     X_new = [[6]]
     y_pred = model.predict(X_new)

4. Обработка естественного языка (NLP):

   • Метод: выполнение токенизации текста с помощью NLTK.

     import nltk
     
     # Sentence to tokenize
     sentence = "This is a sample sentence."
     
     # Tokenize sentence
     tokens = nltk.word_tokenize(sentence)

5. Глубокое обучение – сверточные нейронные сети (CNN):

   • Метод: построение простой CNN с использованием Keras.

     import keras
     from keras.models import Sequential
     from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
     
     # Create CNN model
     model = Sequential()
     model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
     model.add(MaxPooling2D(pool_size=(2, 2)))
     model.add(Flatten())
     model.add(Dense(10, activation='softmax'))
     
     # Compile and train model
     model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adam(), metrics=['accuracy'])
     model.fit(X_train, y_train, batch_size=128, epochs=10, validation_data=(X_test, y_test))