人工智能（Artificial Intelligence，AI）算法是实现人工智能技能的根本，这些算法仿照了人类智能的某些方面，包括学习、推理、感知、理解、决策等。
AI算法包括但不限于以下几个领域：

机器学习（Machine Learning）监督学习：如线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、神经网络等。
无监督学习：如聚类算法（K-means、DBSCAN）、降维算法（PCA、t-SNE）、关联规则学习等。
强化学习：如Q-learning、Sarsa、深度Q网络（DQN）、异步上风演员评论家（A3C）、近端策略优化（PPO）等。
深度学习（Deep Learning）卷积神经网络（CNN）：用于图像识别、图像天生、图像分割等。
循环神经网络（RNN）：如是非期影象网络（LSTM）、门控循环单元（GRU）、序列到序列（Seq2Seq）等，用于处理序列数据。
天生对抗网络（GAN）：用于天生数据、图像、文本等。
自把稳力机制（Self-Attention）：如Transformer模型，用于自然措辞处理、机器翻译等。
自然措辞处理（NLP）词嵌入（Word Embedding）：如Word2Vec、GloVe、BERT、ELMo、GPT等。
序列标注：如CRF、BiLSTM-CRF等，用于命名实体识别、情绪剖析等。
文本分类：如朴素贝叶斯、SVM、深度学习模型等，用于邮件分类、***分类等。
机器翻译：如基于规则的翻译、统计机器翻译、神经机器翻译等。
打算机视觉（Computer Vision）图像识别：如卷积神经网络（CNN）在图像分类中的运用。
目标检测：如R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD、RetinaNet等。
图像分割：如FCN、PSPNet、DeepLab、Mask R-CNN等。
图像天生：如GAN在图像天生中的运用。
强化学习（Reinforcement Learning）Q-learning：一种基于状态-动作代价的强化学习算法。
Policy Gradient：一种基于策略的强化学习算法。
Actor-Critic：结合了策略（Actor）和代价（Critic）的强化学习算法。
Monte Carlo Tree Search (MCTS)：一种启示式搜索算法，用于游戏和决策问题。
专家系统（Expert Systems）基于规则的系统：利用一系列规则来办理问题。
案例推理（Case-Based Reasoning, CBR）：利用过去的案例来办理新问题。
模糊逻辑（Fuzzy Logic）用于处理禁绝确、不愿定或模糊的数据和规则。
进化算法（Evolutionary Algorithms）如遗传算法（Genetic Algorithms, GA）、粒子群优化（Particle Swarm Optimization, PSO）等，用于优化和搜索问题。
人工神经网络（Artificial Neural Networks）包括前馈网络、反馈网络、自组织网络等，用于仿照人脑构造和功能。

这些算法是AI技能的核心，它们在不同的运用领域发挥着重要浸染。
随着技能的不断发展，新的AI算法也在不断呈现，例如Transformer的变体、图神经网络（GNN）、把稳力机制的变体等。