Вот несколько методов машинного обучения, которым вы можете научиться с помощью Coursera или других платформ, а также примеры кода:

1. Линейная регрессия:
   Линейная регрессия — это метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Вот пример на Python с использованием scikit-learn:

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

2. Машины опорных векторов (SVM).
   SVM — это мощный метод классификации, который находит оптимальную гиперплоскость для разделения данных на разные классы. Вот пример использования scikit-learn:

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

3. Деревья решений.
   Деревья решений – это универсальные методы решения задач классификации и регрессии. Вот пример использования scikit-learn:

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

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

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

5. Нейронные сети.
   Нейронные сети — это мощный класс моделей машинного обучения, вдохновленный человеческим мозгом. Вот пример использования библиотеки Keras:

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