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. Его можно реализовать с помощью таких библиотек, как scikit-learn на Python.

   from sklearn.linear_model import LinearRegression
   # Create a linear regression object
   model = LinearRegression()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict values using the trained model
   y_pred = model.predict(X_test)

2. Деревья решений.
   Деревья решений — это универсальные и интуитивно понятные модели машинного обучения, которые можно использовать как для задач классификации, так и для регрессии. Python предоставляет различные библиотеки, такие как scikit-learn, которые предлагают реализации дерева решений.

   from sklearn.tree import DecisionTreeClassifier
   # Create a decision tree classifier object
   model = DecisionTreeClassifier()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict classes using the trained model
   y_pred = model.predict(X_test)

3. Случайный лес.
   Случайный лес — это метод ансамблевого обучения, который объединяет несколько деревьев решений для составления прогнозов. Он известен своей надежностью и точностью. Вот пример использования алгоритма случайного леса в Python:

   from sklearn.ensemble import RandomForestRegressor
   # Create a random forest regressor object
   model = RandomForestRegressor()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict values using the trained model
   y_pred = model.predict(X_test)

4. Кластеризация по K-средним.
   Кластеризация по K-средним — это алгоритм обучения без учителя, используемый для разделения данных на отдельные группы на основе сходства. Библиотека scikit-learn обеспечивает реализацию кластеризации K-средних.

   from sklearn.cluster import KMeans
   # Create a K-means clustering object
   model = KMeans(n_clusters=3)
   # Fit the model to the data
   model.fit(X)
   # Predict cluster labels for new data points
   labels = model.predict(new_data)

5. Обработка естественного языка (NLP) с помощью NLTK:
   NLTK (Natural Language Toolkit) — популярная библиотека для выполнения задач НЛП на Python. Вот пример использования NLTK для токенизации предложения:

   from nltk.tokenize import word_tokenize
   # Define a sentence
   sentence = "This is an example sentence."
   # Tokenize the sentence
   tokens = word_tokenize(sentence)
   # Print the tokens
   print(tokens)