Wolfram言語は回帰，分類，クラスタリング，次元削減等を行うためのさまざまな機械学習法を提供する．

分類 (Classify)

"ClassDistributions" — 学習済み分布を使用する

"DecisionTree" — 決定木を使用する

"GradientBoostedTrees" — 勾配ブースティングで訓練した木のアンサンブルを使って分類する

"LogisticRegression" — 特徴量の線形結合からの確率を使用する

"Markov" — 特徴量系列に対してマルコフ(Markov)モデルを使用する （テキスト，Bag-of-Tokens等のみ）

"NaiveBayes" — 特徴量の確率的独立性を仮定して分類する

"NearestNeighbors" — 最近傍の例を使用する

"NeuralNetwork" — 人工ニューラルネットワークを使用する

"RandomForest" — 決定木のBreiman–Cutlerアンサンブルを使用する

"SupportVectorMachine" — サポートベクターマシンを使用する

回帰 (Predict)

"DecisionTree" — 決定木を使用する

"GradientBoostedTrees" — 勾配ブースティングで訓練された木のアンサンブルを使用する

"LinearRegression" — 特徴の線形結合を使用する

"NearestNeighbors" — 最近傍の例を使用する

"NeuralNetwork" — 人工ニューラルネットワークを使用する

"RandomForest" — 決定木のBreiman–Cutlerアンサンブルを使用する

"GaussianProcess" — 関数よりも優先してガウス過程を使用する

クラスタリング (FindClusters)

"Agglomerate" — 単リンククラスタリング法

"DBSCAN" — ノイズを含むアプリケーションの密度ベースの空間クラスタリング

"GaussianMixture" — 混合ガウス（正規）分布を使用する

"JarvisPatrick" — Jarvis–Patrickクラスタリング法

"KMeans" — k平均クラスタリングアルゴリズム

"KMedoids" — メドイドによる分割

"MeanShift" — Mean-Shiftクラスタリング法

"NeighborhoodContraction" — データ点を高密度領域に移動する

"SpanningTree" — 最小全域木クラスタリング法

"Spectral" — スペクトラルクラスタリング法

分布のモデル (LearnDistribution)

"ContingencyTable" — データを離散化して可能な各確率を保存する

"DecisionTree" — 決定木を使用する

"GaussianMixture" — 混合ガウス（正規）分布を使用する

"KernelDensityEstimation" — カーネル混合分布を使用する

"Multinormal" — 多変量正規（ガウス）分布を使用する

次元削減 (DimensionReduction)

"Autoencoder" — 訓練可能なオートエンコーダを使用する

"Hadamard" — アダマール(Hadamard)行列を使ってデータを投影する

"Isomap" — 等長写像

"LatentSemanticAnalysis" — 潜在的意味解析法

"Linear" — 最適の線形法を自動的に選択する

"LLE" — 局所線形埋込み

"PrincipalComponentsAnalysis" — 主成分分析法

"MultidimensionalScaling" — 計量多次元尺度構成法

"TSNE" — t分布型確率的近傍埋込み法

"UMAP" — 一様多様体の近似と投影（Uniform Manifold Approximation and Projection）