Правильное написание — «Онлайн-наука о данных Университета Джонса Хопкинса». Вот несколько методов обработки данных и примеры кода:

1. Очистка данных:

   • Описание: удаление или исправление ошибок, обработка пропущенных значений и преобразование данных.

   • Пример кода (Python – библиотека Pandas):

     import pandas as pd
     
     # Removing rows with missing values
     df.dropna(inplace=True)
     
     # Replacing missing values with the mean
     df['age'].fillna(df['age'].mean(), inplace=True)
     
     # Removing duplicates
     df.drop_duplicates(inplace=True)

2. Исследовательский анализ данных (EDA):

   • Описание: анализ и обобщение основных характеристик набора данных.

   • Пример кода (Python – библиотеки Pandas и Matplotlib):

     import pandas as pd
     import matplotlib.pyplot as plt
     
     # Summary statistics
     print(df.describe())
     
     # Histogram
     df['age'].plot.hist()
     plt.xlabel('Age')
     plt.ylabel('Frequency')
     plt.show()

3. Машинное обучение – линейная регрессия:

   • Описание: контролируемый алгоритм обучения для прогнозирования непрерывной целевой переменной.

   • Пример кода (Python – библиотека Scikit-learn):

     from sklearn.linear_model import LinearRegression
     from sklearn.model_selection import train_test_split
     
     X = df[['feature1', 'feature2']]  # Features
     y = df['target']  # Target variable
     
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
     
     model = LinearRegression()
     model.fit(X_train, y_train)
     
     y_pred = model.predict(X_test)

4. Обработка естественного языка (NLP) – классификация текста:

   • Описание: категоризация текстовых документов по предопределенным классам или категориям.

   • Пример кода (Python – библиотека Scikit-learn):

     from sklearn.feature_extraction.text import TfidfVectorizer
     from sklearn.svm import SVC
     
     corpus = ['This is a positive document',
            'I am feeling negative today',
            'The weather is neutral']
     labels = ['Positive', 'Negative', 'Neutral']
     
     vectorizer = TfidfVectorizer()
     X = vectorizer.fit_transform(corpus)
     
     model = SVC()
     model.fit(X, labels)
     
     new_text = ['I feel great']
     new_text_vectorized = vectorizer.transform(new_text)
     
     predicted_label = model.predict(new_text_vectorized)