機械学習のアルゴリズムは、
回帰分析、決定木がよく利用されます。
アルゴリズムの応用として、
ロジスティック回帰、ベイジアンモデル、状態空間モデル、k近傍法、k平均法、次元削減、最適化がある。

ロジスティック回帰は、
Yes/Noの確率としてロジスティクス関数、シグモイド（確率の曲線）を計算し、
観測するアルゴリズムです。

ベイジアンモデルは、
ベイズ推定を利用した不確実性を考慮した予測です。
ベイズ推定とは、
その値がどれだけふさわしいか一番ふさわしい値だけをもとめる最尤推定（さいゆうすいてい）以外に、
その値がどれだけふさわしくないかを求めることです。
よって、推定結果の確率を求める。
ベイズ推定は、結果から原因を求める手法です。

状態空間モデルは、
時間で変化していくデータなどの解析や
予想を行う時系列分析に利用される統計・機械学習モデルです。
時系列モデルは、
今の値は少し前の値と似ているはずという自己相関があるものとして数式化するものです。

k近傍法は、
分類に利用される教師あり学習のアルゴリズムです。

k平均法は、
主にクラスタリングに利用される教師なし学習のアルゴリズムです。

次元削減は、
データの次元数を減らす処理のことです。
データの次元数を減らす指標は、
データのばらつきを見て決める主成分分析をします。

最適化は、
ある条件のもとである関数を最大にする解を求めることです。
全探索の最適は膨大な数になるため、
自然淘汰を利用した遺伝的アルゴリズムをよく利用します。