大数据分析采用的算法及模型是多种多样的，它们根据不同的应用场景和需求进行选择。以下是一些常见的大数据分析算法及模型：
1. 聚类分析（Clustering）：聚类分析是一种无监督学习方法，它通过将数据点分组到不同的簇中，使得同一簇内的数据点相似度较高，而不同簇之间的数据点相似度较低。常用的聚类算法有K-means、层次聚类等。
2. 分类分析（Classification）：分类分析是一种有监督学习方法，它通过学习已知类别的训练数据，预测未知类别的数据属于哪个类别。常用的分类算法有决策树、支持向量机（SVM）、随机森林等。
3. 回归分析（Regression）：回归分析是一种有监督学习方法，它通过建立线性或非线性模型来预测一个连续变量的值。常用的回归算法有线性回归、岭回归、Lasso回归等。
4. 关联规则挖掘（Association Rules Mining）：关联规则挖掘是一种发现数据集中的频繁项集和关联规则的方法。常用的关联规则挖掘算法有Apriori算法、FP-growth算法、Eclat算法等。
5. 序列模式挖掘（Sequence Pattern Mining）：序列模式挖掘是一种发现数据集中频繁出现的子序列的方法。常用的序列模式挖掘算法有Aho-Corasick算法、Rabin-Karp算法、Boyer-Moore算法等。
6. 文本挖掘（Text Mining）：文本挖掘是一种从大量文本数据中提取有用信息的方法。常用的文本挖掘算法有词袋模型、TF-IDF、词嵌入等。
7. 深度学习（Deep Learning）：深度学习是一种基于神经网络的机器学习方法，它可以自动学习和优化特征表示，从而实现对数据的高效处理。常用的深度学习模型有卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。
8. 自然语言处理（NLP）：自然语言处理是一种研究如何使计算机理解和处理人类语言的技术。常用的自然语言处理技术包括词性标注、命名实体识别、句法分析、语义角色标注等。
9. 推荐系统（Recommendation Systems）：推荐系统是一种根据用户的历史行为和偏好，为用户推荐相关商品或内容的方法。常用的推荐系统算法有协同过滤、矩阵分解、深度学习等。
10. 时间序列分析（Time Series Analysis）：时间序列分析是一种研究如何从历史数据中提取规律和趋势的方法。常用的时间序列分析方法有自回归模型（AR）、移动平均模型（MA）、自回归移动平均模型（ARMA）、自回归积分滑动平均模型（ARIMA）等。
总之，大数据分析采用的算法及模型非常多样，它们根据不同的应用场景和需求进行选择。随着技术的发展，新的算法和模型不断涌现，为大数据分析提供了更多的选择和可能性。
