VC理论

萬普尼克-澤范蘭傑斯理論（英語：），又稱VC理论（VC theory）是一個於1960年代到1990年代由弗拉基米尔·万普尼克（Vapnik）及亞歷克塞·澤范蘭傑斯建立的一套机器学习理论，使用统计的方法，因此有别于归纳学习等其它机器学习方法。

机器学习与資料探勘
问题 分类 聚类 回归 异常检测 自动机器学习 关联规则 强化学习 结构预测 特征学习 線上機器學習 無監督學習 半监督学习 排序学习 语法归纳
監督式學習 (分类 · 回归) 决策树 集成（装袋，提升，随机森林） k-NN 线性回归 朴素贝叶斯 神经网络 逻辑回归 感知器 支持向量机（SVM） 相关向量机（RVM）
聚类 BIRCH 层次 k-平均 期望最大化（EM） DBSCAN OPTICS 均值飘移
降维 因素分析 CCA ICA LDA NMF PCA LASSO t-SNE
结构预测 概率图模型（贝叶斯网络，CRF, HMM）
异常检测 k-NN 局部离群因子
神经网络 自编码 深度学习 多层感知机 RNN 受限玻尔兹曼机 SOM CNN
强化学习 Q学习 SARSA 时序差分学习 深度强化学习
理论 偏差/方差困境 计算学习理论 经验风险最小化 PAC学习 统计学习 VC理论

由这套理论所引出的支持向量机对机器学习的理论界以及各个应用领域都有极大的贡献。