深度学习：深度玻尔兹曼机DBM(Deep Boltzman Machine)，深度置信网络DBN(Deep Beief Network)，卷积神经网络CNN(Convolutional Neural Network)，堆叠自编码网络SAE(stack auto-encoders)
集成学习(Ensemble Learning):随机森林RF(Random Forest)，梯度增强机GBM(Gradient Boosting Machine)，Boosting,Bootstrapped Aggregation，Adaboost，堆叠泛化(混合),梯度增强回归树GBRT(Gradient Boosting Regression Tree)
神经网络：径向基神经网络RBFN(Radias Basis Function Network )，感知器，BP神经网络，Hop-field网络
正则项：峭回归，最小绝对收缩和选择算子(LASSO)，弹性网络，最小角度回归LARS
规则系统：立体派(Cubist)，一规则，零规则，重复增量修剪以产生误差降低
回归：线性回归，一般的最小二乘回归(OLSR)，逐步的回归stepwise regression，多变量自适应回归样条，局部估计散点图平滑(LOESS)，逻辑回归
贝叶斯：朴素贝叶斯，平均一相关估计(AODE)，贝叶斯置信网络(BBN),高斯朴素贝叶斯，多项式朴素贝叶斯，贝叶斯网络
决策树：分类和回归树CART,迭代二分法3(ID3),C4.5,C5.0,卡方自动相互作用检测,决策树桩(decision stump)，条件决策树，M5
降维的方法：主成分分析(pca),偏最小二乘回归(PLSR),Sammon映射，多维缩放(MDS),映射追求，主成分回归(PCR),偏最小二乘判别分析(PLSDA)，混合判别分析(MDA)，二次判别分析(QDA),正则的判别分析(RDA),灵活判别分析(FDA)，线性判别分析(LDA)
基于实例的方法：K近邻，学习矢量量化(LVQ)，自组织映射(SOM),局部权重学习(LWL)
聚类算法：K-均值，K-中位数，最大期望(EM),层次聚类。