Вот несколько методов, используемых в науке о данных, с примерами кода:

1. Линейная регрессия.
   Линейная регрессия используется для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Он обычно используется для прогнозирования непрерывных числовых значений. Вот пример использования библиотеки Python scikit-learn:

   from sklearn.linear_model import LinearRegression
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [2, 4, 6, 8, 10]
   # Create and fit the model
   model = LinearRegression()
   model.fit(X, y)
   # Predict new values
   X_new = [[6], [7], [8]]
   y_pred = model.predict(X_new)
   print(y_pred)  # Output: [12. 14. 16.]

2. Логистическая регрессия.
   Логистическая регрессия используется для задач двоичной классификации, где выходными данными является вероятность от 0 до 1. Она обычно используется для прогнозирования классов или принятия решений на основе входных признаков. Вот пример использования scikit-learn:

   from sklearn.linear_model import LogisticRegression
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [0, 0, 1, 1, 1]
   # Create and fit the model
   model = LogisticRegression()
   model.fit(X, y)
   # Predict new values
   X_new = [[6], [7], [8]]
   y_pred = model.predict(X_new)
   print(y_pred)  # Output: [1 1 1]

3. Случайный лес.
   Случайный лес — это метод ансамблевого обучения, который объединяет несколько деревьев решений для составления прогнозов. Он обычно используется как для задач регрессии, так и для задач классификации. Вот пример использования scikit-learn:

   from sklearn.ensemble import RandomForestRegressor
   # Sample data
   X = [[1], [2], [3], [4], [5]]
   y = [2, 4, 6, 8, 10]
   # Create and fit the model
   model = RandomForestRegressor()
   model.fit(X, y)
   # Predict new values
   X_new = [[6], [7], [8]]
   y_pred = model.predict(X_new)
   print(y_pred)  # Output: [10. 10. 10.]

4. Кластеризация K-средних.
   Кластеризация K-средних — это алгоритм обучения без учителя, используемый для группировки данных в кластеры на основе сходства. Он обычно используется для задач сегментации и распознавания образов. Вот пример использования scikit-learn:

   from sklearn.cluster import KMeans
   # Sample data
   X = [[1], [2], [3], [8], [9], [10]]
   # Create and fit the model
   model = KMeans(n_clusters=2)
   model.fit(X)
   # Predict cluster labels
   labels = model.predict(X)
   print(labels)  # Output: [0 0 0 1 1 1]

5. Машины опорных векторов (SVM).
   SVM — это мощный алгоритм контролируемого обучения, используемый для задач классификации и регрессии. Он находит лучшую гиперплоскость, разделяющую разные классы. Вот пример использования scikit-learn:

   from sklearn.svm import SVC
   # Sample data
   X = [[1, 2], [2, 3], [3, 4], [4, 5]]
   y = [0, 0, 1, 1]
   # Create and fit the model
   model = SVC()
   model.fit(X, y)
   # Predict new values
   X_new = [[5, 6], [6, 7]]
   y_pred = model.predict(X_new)
   print(y_pred)  # Output: [1 1]

В целом, это лишь несколько примеров из множества методов, используемых в науке о данных. У каждого метода есть свои сильные и слабые стороны, и выбор метода зависит от конкретной проблемы, которую вы пытаетесь решить.