Вот несколько популярных методов в области науки о данных и примеры кода:

1. Линейная регрессия.
   Линейная регрессия используется для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Он широко используется для задач прогнозирования и прогнозирования.

   Пример кода на Python с использованием библиотеки scikit-learn:

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

2. Деревья решений.
   Деревья решений — это популярный алгоритм машинного обучения, который можно использовать как для задач классификации, так и для регрессии. Они создают структуру, похожую на блок-схему, для прогнозирования на основе входных данных.

   Пример кода на Python с использованием библиотеки scikit-learn:

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

3. Случайные леса.
   Случайные леса — это ансамблевый метод обучения, который объединяет несколько деревьев решений для прогнозирования. Они известны своей высокой точностью и надежностью.

   Пример кода на Python с использованием библиотеки scikit-learn:

   from sklearn.ensemble import RandomForestClassifier
   # Create a random forest classifier
   model = RandomForestClassifier()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict the target variable
   y_pred = model.predict(X_test)

4. Анализ главных компонентов (PCA).
   PCA – это метод уменьшения размерности, используемый для преобразования многомерных данных в пространство меньшей размерности с сохранением наиболее важной информации.

   Пример кода на Python с использованием библиотеки scikit-learn:

   from sklearn.decomposition import PCA
   # Create a PCA object with desired number of components
   pca = PCA(n_components=2)
   # Fit the PCA model to the data
   pca.fit(X)
   # Transform the data to the lower-dimensional space
   X_transformed = pca.transform(X)

5. Кластеризация по K-средним.
   Кластеризация по K-средним — это алгоритм обучения без учителя, используемый для разделения данных на K-кластеры на основе сходства. Его обычно используют для сегментации клиентов, сжатия изображений и обнаружения аномалий.

   Пример кода на Python с использованием библиотеки scikit-learn:

   from sklearn.cluster import KMeans
   # Create a K-means clustering model with desired number of clusters
   kmeans = KMeans(n_clusters=3)
   # Fit the model to the data
   kmeans.fit(X)
   # Assign cluster labels to the data points
   labels = kmeans.labels_