傳統的機器學習算法主要是指基於概率論和統計學的算法，其中使用最多的是馬爾可夫模型。
馬爾可夫模型主要假設狀態具有馬爾可夫性，即下壹個狀態的概率只取決於當前狀態。主要使用的壹種模型是隱馬爾可夫模型(HMM)，它有壹層隱變量和壹層觀測變量。可以想象，隱藏變量驅動觀察變量發生變化，很像和弦與旋律的關系。
同時，其他馬爾可夫模型也被用來組成算法，如變階馬爾可夫模塊(VMM)和輸入輸出HMM(IOHMM)。也有許多產品使用這壹點，如MSR的SongSmith。
算法的理論發展與應用
該算法由美國R.O.Schmidt在1979中提出，標誌著空間譜估計測向進入了壹個繁榮的階段。它將“向量空間”的概念引入空間譜估計領域。經過30年的發展，可以說其理論已經比較成熟。
自20世紀80年代以來，人們對基於特征分解的超分辨率空間譜估計算法進行了廣泛而深入的研究，提出了壹系列高效的處理方法，其中最經典的是多信號分類(MUSIC)算法，該算法需要壹維搜索來尋找源的方向，而相對最大似然(ML)和加權子空間擬合(WSF)等多維搜索算法的計算量大大降低。
以上內容參考百度百科-算法構成