AI建模工具通常支持的机器学习算法包括监督学习算法和无监督学习算法。监督学习算法是通过给模型提供带有标签的训练数据来训练模型，使其能够预测未知数据的标签。常见的监督学习算法包括线性回归、逻辑回归、决策树、随机森林、支持向量机、朴素贝叶斯等。这些算法可以帮助用户解决分类、回归等问题。

无监督学习算法不需要提供带标签的训练数据，而是通过模式识别和聚类等方法来训练模型。常见的无监督学习算法包括K均值聚类、DBSCAN密度聚类、主成分分析、关联规则挖掘等。这些算法可以帮助用户挖掘数据特征、发现数据中的模式和规律。

半监督学习算法是监督学习和无监督学习的结合，通常在标记数据较少的情况下使用。半监督学习算法包括标签传播、半监督SVM、聚类+标签传播等。这些算法可以充分利用未标记数据来提高模型性能。

强化学习是一种通过观察环境、采取行动和获得奖励来实现目标的机器学习方法。常见的强化学习算法包括Q学习、深度Q网络（DQN）、策略梯度方法等。这些算法常用于解决对话系统、游戏策略优化等问题。

集成学习是通过结合多个基本模型的预测结果来提高模型性能的方法。常见的集成学习算法包括bagging、boosting、随机森林等。这些算法可以有效降低模型方差、提高模型的泛化能力。

深度学习是一种基于人工神经网络的机器学习方法，可以学习到数据中的复杂特征表示。常见的深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）等。这些算法在图像识别、文本生成、语音识别等领域取得了广泛应用。