回归模型
应用于数据的预测。
正则化模型
通过引入惩罚措施，可以防止模型的过拟合，提高模型的泛化性。
决策树模型
既可以用于预测，也可以用于分类。
集成模型
将多个弱模型集成在一起，从而极大提高模型的泛化性和准确度。并且天然避免模型的过拟合。
典型的：Random Forest 随机森林
聚类模型 Clustering Algorithms
通过距离度量判断哪些样本是一类。
典型的：K-Means聚类法
分类模型 Instance-based Algorithms
给定一个代测样本，判断代测样本是属于哪一类。
典型的：KNN法
支持向量机模型 Support Vector Machines
用于市维数据的分类，比如图片分类，人脸识别等。
图模型 Graphical models
应用于路径问题
关联规则学习模型 Association Rule Learning Algorithms
比如沃尔码，啤酒和尿布的案例。
由叶斯模型 Bayesian Algorithms
底层通过贝叶斯定理来实现。应用于垃圾信息的过滤，一些问题的推断。
降维模型 Dimensionality Reduction Algorithms
用于剔除不重要的维度，从而降低计算代价
推荐系统模型
神经网络模型 Artificial Neural Network
深度学习模型 Deep Learning
建立模型后，需要求解出系数，可以用一些算法来解决，比如：
最小二乘法
随机梯度下降法
批量梯度下降法
牛顿法
ID3算法
C4.5
由叶斯算法