在以连接主义为基础的神经网络中，每个节点都能表达特定的意义。

LLE(Locally Linear Embedding)可以将以弯曲或扭曲的状态埋藏在高维空间中的结构简单地表示在低维空间中

混合高斯分布对呈椭圆形分布的数据聚类效果较好，而k-means算法对从重心开始呈圆形分布的数据聚类效果较好

混合高斯分布通过使用多个高斯分布的线性组合来实现聚类

k-means算法中确定簇的数量这个超参数时，可以使用Elbow方法

LDA(Latent Dirichlet Allocation)是一种降维算法，适用于文本建模

LSA(Latent Semantic Analysis)是一种自然语言处理算法，通过矩阵的奇异值分解到达聚类的目的

PCA(Principal Component Analysis)算法通过计算特征之间的相关性，以少量的特征表示具有较多特征的数据，降低多特征数据分析的复杂度

KNN(K-Nearest Neighbor)算法由于需要同时存储大量的已知标签数据，故其一般不适合处理大规模的训练数据

随机森林算法利用多个决策树模型，对结果进行表决，以获得比单个决策树更高的预测精度

朴素贝叶斯是一种基于概率进行预测的算法，在实践中被用于解决分类问题