1. Μη-παραμετρικοί Ταξινομητές: Κ Πλησιέστεροι Γείτονες (K-Nearest Neighbors – KNN), 2. Στατιστική Αξιολόγηση Δυαδικής Ταξινόμησης: Μετρικές Αξιολόγησης, Μήτρα Σύγχυσης, ROC, AUC, 3. Παραμετρική Πιθανοτική Ταξινόμηση: Εκτίμηση MLE & MAP, Ταξινομητές Bayes & Naive Bayes

(i) Αλγόριθμοι Διαμόρφωσης CART (Classification And Regression Trees), Gini Index
(ii) Random Forests
(iii) Αλγόριθμοι Bagging (Bootstrap & aggregating)

(i) Διαχωρισιμότητα Προτύπων, Θεώρημα του Cover, (ii) Radial Basis Function (RBF) Networks, (iii) RBF Hybrid Learning, (iv) Support Vector Machines (SVM)

(i) Μάθηση Χρονικών Διαφορών, TD Learning, (ii) Στοχαστικός Αλγόριθμος Q Learning, (iii) Κατανεμημένη Υλοποίηση Ενισχυτικής Μάθησης, (iv) Αλγόριθμος Bellman Ford, Δρομολόγηση BGP στο Internet

Ενισχυτική Μάθηση – Δυναμικός Προγραμματισμός: (i) Markov Decision Processes, (ii) Bellman’s Optimality Criterion, (iii) Αλγόριθμος Policy Iteration, (iv) Αλγόριθμος Value Iteration

(i) Restrictive Boltzmann Machine (RBM)
(ii) Αντιφατική Απόκλιση (Contrastive Divergence Algorithm)
(iii) Deep Belief Networks (DBN)

(i) Μηχανή Boltzmann
(ii) Παραγωγικά (Generative) Στοχαστικά Νευρωνικά Δίκτυα
(iii) Generative Adversarial Networks (GAN)

(i) Αλγόριθμοι Metropolis & Metropolis-Hastings, (ii) Markov Random Fields, Ising Model, (iii) Προσομοιωμένη Ανόπτηση- Simulated Annealing, (iv) Gibbs Sampling