随机森林是利用多个决策树对样本进行训练、分类并预测的一种算法，主要应用于回归和分类场景。在对数据进行分类的同时，还可以给出各个变量的重要性评分，评估各个变量在分类中所起的作用。随机森林是一种比较有名的集成学习方法，属于集成学习算法中弱学习器之间不存在依赖的一部分，其因为这个优点可以并行化运行，因此随机森林在一些大赛中往往是首要选择的模型。
支持向量机（Support Vector Machine, SVM）、岭回归(英文名：ridge regression, Tikhonov regularization)、LASSO全称Least absolute shrinkage and selection operator。
全基因组选择（Genomic selection, GS）是一种利用覆盖全基因组的高密度标记进行选择育种的新方法，可通过早期选择缩短世代间隔，提高育种值（Genomic Estimated Breeding Value, GEBV）估计准确性等加快遗传进展，尤其对低遗传力、难测定的复杂性状具有较好的预测效果，真正实现了基因组技术指导育种实践。
全基因组关联分析（Genome wide association study，GWAS）是对多个个体在全基因组范围的遗传变异（标记）多态性进行检测，获得基因型，进而将基因型与可观测的性状，即表型，进行群体水平的统计学分析，根据统计量或显著性 p 值筛选出最有可能影响该性状的遗传变异（标记），挖掘与性状变异相关的基因。
所谓排序，就是使一串记录，按照其中的某个或某些关键字的大小，递增或递减的排列起来的操作。排序算法，就是如何使得记录按照要求排列的方法。排序算法在很多领域得到相当地重视，尤其是在大量数据的处理方面。一个优秀的算法可以节省大量的资源。在各个领域中考虑到数据的各种限制和规范，要得到一个符合实际的优秀算法，得经过大量的推理和分析。
查找是在大量的信息中寻找一个特定的信息元素，在计算机应用中，查找是常用的基本运算，例如编译程序中符号表的查找。用关键字标识一个数据元素，查找时根据给定的某个值，在表中确定一个关键字的值等于给定值的记录或数据元素。在计算机中进行查找的方法是根据表中的记录的组织结构确定的。
广义表(Lists，又称列表)是一种非连续性的数据结构，是线性表的一种推广。即广义表中放松对表元素的原子限制，容许它们具有其自身结构。它被广泛的应用于人工智能等领域的表处理语言LISP语言中 在矩阵中，若数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律时，则称该矩阵为稀疏矩阵
串（string）（或字符串）是由零个或多个字符组成的有限序列，零个字符的串称为空串，长度为0。串中任意个连续字符组成的子序列称为该串的子串。包含子串的串相应地称为主串。通常称字符在序列中的序号为该字符在串中的位置。称两个串相等时，长度相同，对应位置字符相同。串值需由单引号括起来，但单引号不属于串。
base_learning_algs: 基础算法，包括adaboost、lightgbm、xgboost deep_learning_algs: 深度学习算法，包括CNN、DBN、RBM、DNN、RNN
