Вот некоторые популярные методы, используемые в науке о данных и аналитике, а также примеры кода:

1. Линейная регрессия:
   Пример кода (Python):

   from sklearn.linear_model import LinearRegression
   # Create a linear regression object
   model = LinearRegression()
   # Fit the model to the data
   model.fit(X, y)
   # Make predictions
   y_pred = model.predict(X_test)

2. Логистическая регрессия:
   Пример кода (Python):

   from sklearn.linear_model import LogisticRegression
   # Create a logistic regression object
   model = LogisticRegression()
   # Fit the model to the data
   model.fit(X, y)
   # Make predictions
   y_pred = model.predict(X_test)

3. Деревья решений:
   Пример кода (Python):

   from sklearn.tree import DecisionTreeClassifier
   # Create a decision tree classifier
   model = DecisionTreeClassifier()
   # Fit the model to the data
   model.fit(X, y)
   # Make predictions
   y_pred = model.predict(X_test)

4. Случайные леса:
   Пример кода (Python):

   from sklearn.ensemble import RandomForestClassifier
   # Create a random forest classifier
   model = RandomForestClassifier()
   # Fit the model to the data
   model.fit(X, y)
   # Make predictions
   y_pred = model.predict(X_test)

5. Машины опорных векторов (SVM):
   Пример кода (Python):

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

6. Кластеризация по K-средним:
   Пример кода (Python):

   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
   labels = model.predict(X)

7. Анализ главных компонентов (PCA):
   Пример кода (Python):

   from sklearn.decomposition import PCA
   # Create a PCA object
   model = PCA(n_components=2)
   # Fit the model to the data
   model.fit(X)
   # Transform the data to its principal components
   X_pca = model.transform(X)

8. Обработка естественного языка (NLP):
   Пример кода (Python):

   from sklearn.feature_extraction.text import TfidfVectorizer
   # Create a TF-IDF vectorizer
   vectorizer = TfidfVectorizer()
   # Fit the vectorizer to the text data
   X_tfidf = vectorizer.fit_transform(text_data)

9. Анализ временных рядов:
   Пример кода (Python):

   import pandas as pd
   from statsmodels.tsa.arima.model import ARIMA
   # Load time series data into a pandas DataFrame
   df = pd.read_csv('time_series_data.csv')
   # Create an ARIMA model
   model = ARIMA(df['value'], order=(1, 1, 1))
   # Fit the model to the data
   model_fit = model.fit()
   # Make predictions
   y_pred = model_fit.predict(start=len(df), end=len(df) + 10)

10. Глубокое обучение (нейронные сети):
    Пример кода (Python) с использованием Keras:

    from keras.models import Sequential
    from keras.layers import Dense
    # Create a sequential model
    model = Sequential()
    # Add layers to the model
    model.add(Dense(64, activation='relu', input_dim=X.shape[1]))
    model.add(Dense(1, activation='sigmoid'))
    # Compile the model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    # Fit the model to the data
    model.fit(X, y, epochs=10, batch_size=32)

Это лишь несколько примеров методов, используемых в науке о данных и аналитике. Существует множество других методов и алгоритмов, доступных в зависимости от конкретной проблемы, над которой вы работаете. Не забудьте импортировать необходимые библиотеки и предварительно обработать данные перед применением этих методов.