Вот несколько популярных методов, используемых в науке о данных, а также примеры кода:

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

from sklearn.linear_model import LinearRegression
# Create a Linear Regression model
model = LinearRegression()
# Fit the model to the data
model.fit(X, y)
# Predict using the trained model
predictions = model.predict(X_test)

2. Логистическая регрессия.
   Логистическая регрессия используется для решения задач двоичной классификации. Он моделирует вероятность двоичного результата. Вот пример использования Python и scikit-learn:

from sklearn.linear_model import LogisticRegression
# Create a Logistic Regression model
model = LogisticRegression()
# Fit the model to the data
model.fit(X, y)
# Predict using the trained model
predictions = model.predict(X_test)

3. Деревья решений.
   Деревья решений — это универсальные алгоритмы, которые можно использовать как для задач классификации, так и для регрессии. Вот пример использования Python и библиотеки scikit-learn:

from sklearn.tree import DecisionTreeClassifier
# Create a Decision Tree Classifier model
model = DecisionTreeClassifier()
# Fit the model to the data
model.fit(X, y)
# Predict using the trained model
predictions = model.predict(X_test)

4. Случайные леса.
   Случайные леса — это ансамблевый метод обучения, который объединяет несколько деревьев решений для прогнозирования. Вот пример использования Python и scikit-learn:

from sklearn.ensemble import RandomForestClassifier
# Create a Random Forest Classifier model
model = RandomForestClassifier()
# Fit the model to the data
model.fit(X, y)
# Predict using the trained model
predictions = model.predict(X_test)

5. Машины опорных векторов (SVM):
   SVM — это мощный алгоритм для задач классификации. Он находит лучшую гиперплоскость, которая разделяет данные на разные классы. Вот пример использования Python и scikit-learn:

from sklearn.svm import SVC
# Create an SVM model
model = SVC()
# Fit the model to the data
model.fit(X, y)
# Predict using the trained model
predictions = model.predict(X_test)

Это всего лишь несколько примеров методов, используемых в науке о данных. Существует множество других методов, таких как k-ближайшие соседи, нейронные сети, алгоритмы кластеризации и многое другое.