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

1. Линейная регрессия.
   Линейная регрессия – это метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными.

   Пример кода:

   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 on test data
   y_pred = model.predict(X_test)

2. Деревья решений.
   Деревья решений – это непараметрический контролируемый метод обучения, используемый для задач классификации и регрессии.

   Пример кода:

   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 on test data
   y_pred = model.predict(X_test)

3. Случайные леса.
   Случайные леса – это метод ансамблевого обучения, который объединяет несколько деревьев решений для прогнозирования.

   Пример кода:

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

4. Машины опорных векторов (SVM).
   SVM — это контролируемый алгоритм обучения, который можно использовать как для задач классификации, так и для регрессии.

   Пример кода:

   from sklearn.svm import SVC
   # Create an SVM classifier object
   model = SVC()
   # Fit the model to the training data
   model.fit(X_train, y_train)
   # Predict on test data
   y_pred = model.predict(X_test)

5. Кластеризация K-средних.
   Кластеризация K-средних — это алгоритм обучения без учителя, используемый для разделения данных на кластеры на основе сходства.

   Пример кода:

   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
   labels = model.predict(new_data)

6. Анализ главных компонентов (PCA).
   PCA – это метод уменьшения размерности, используемый для преобразования многомерных данных в пространство меньшей размерности.

   Пример кода:

   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 the lower-dimensional space
   transformed_data = model.transform(X)

7. Рекуррентные нейронные сети (RNN):
   RNN — это тип архитектуры нейронной сети, обычно используемый для анализа последовательностей данных, например обработки естественного языка или прогнозирования временных рядов.

   Пример кода:

   import tensorflow as tf
   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import LSTM, Dense
   # Create an RNN model
   model = Sequential()
   model.add(LSTM(64, input_shape=(seq_length, num_features)))
   model.add(Dense(num_classes, activation='softmax'))
   # Compile the model
   model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
   # Train the model
   model.fit(X_train, y_train, epochs=10, batch_size=32)
   # Evaluate the model
   loss, accuracy = model.evaluate(X_test, y_test)