Вот несколько популярных методов в области науки о данных и машинного обучения, а также примеры кода:

1. Линейная регрессия.
   Линейная регрессия — это контролируемый алгоритм обучения, используемый для прогнозирования непрерывной целевой переменной на основе одного или нескольких входных признаков. Вот пример использования Python и 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 on new data
y_pred = model.predict(X_test)

2. Деревья решений.
   Деревья решений — это универсальные алгоритмы, которые можно использовать как для задач классификации, так и для регрессии. Они разделяют входное пространство на основе определенных условий. Вот пример использования Python и 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 on new data
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 надежностью и способностью обрабатывать большие наборы данных. Вот пример использования Python и 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 on new data
y_pred = model.predict(X_test)

4. Машины опорных векторов (SVM):
   SVM — это мощный алгоритм контролируемого обучения, используемый как для задач классификации, так и для регрессии. Он находит оптимальную гиперплоскость, которая разделяет точки данных на разные классы. Вот пример использования Python и scikit-learn:

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

5. K-Nearest Neighbours (KNN):
   KNN — это простой, но эффективный алгоритм, который классифицирует новые точки данных на основе их близости к существующим точкам данных. Вот пример использования Python и scikit-learn:

from sklearn.neighbors import KNeighborsClassifier
# Create a KNN classifier
model = KNeighborsClassifier()
# Fit the model to the training data
model.fit(X_train, y_train)
# Predict on new data
y_pred = model.predict(X_test)

6. Нейронные сети.
   Нейронные сети — это класс моделей, вдохновленных человеческим мозгом. Они способны изучать сложные шаблоны и широко используются для таких задач, как распознавание изображений и обработка естественного языка. Вот пример использования Python и библиотеки Keras:

import keras
from keras.models import Sequential
from keras.layers import Dense
# Create a neural network model
model = Sequential()
model.add(Dense(10, activation='relu', input_dim=10))
model.add(Dense(1, activation='sigmoid'))
# Compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Fit the model to the training data
model.fit(X_train, y_train, epochs=10, batch_size=32)
# Predict on new data
y_pred = model.predict(X_test)

Это всего лишь несколько примеров популярных методов в области науки о данных и машинного обучения. Существует множество других алгоритмов и методов, доступных в зависимости от конкретной проблемы, которую вы пытаетесь решить.