常见的传统机器学习算法包括：

1. 决策树（Decision Tree）
2. 朴素贝叶斯（Naive Bayes）
3. K近邻（K-Nearest Neighbors）
4. 支持向量机（Support Vector Machines）
5. 线性回归（Linear Regression）
6. 逻辑回归（Logistic Regression）
7. 随机森林（Random Forests）
8. AdaBoost
9. Bagging
10. Gradient Boosting

而非传统机器学习算法它们通常具有以下特点：

1. 基于深度学习的神经网络，如卷积神经网络（Convolutional Neural Networks，CNN）和循环神经网络（Recurrent Neural Networks，RNN）等；
2. 基于梯度提升（Gradient Boosting）的XGBoost、LightGBM等；
3. 基于贝叶斯的贝叶斯网络、高斯混合模型等；
4. 基于聚类的K-Means、DBSCAN等。

总的来说，传统机器学习算法和非传统机器学习算法的主要区别在于其基础理论和算法设计上的不同，以及应用领域和解决问题的特点不同。在选择算法时需要考虑数据类型、数据规模、模型准确性、训练速度、可解释性等方面的要求，综合考虑选择最适合的算法

优缺点

传统机器学习算法的优点：

1. 算法理论和数学基础较为成熟，容易解释；
2. 计算速度较快，对小型数据集的表现较好；
3. 对于高维数据和特征空间的探索具有独到的优势。

传统机器学习算法的缺点：

1. 对于大规模数据的处理有一定的局限；
2. 对于复杂关系的建模能力有限，有时候表现不够好；
3. 对于非线性问题建模较为困难。

非传统机器学习算法的优点：

1. 在处理大规模数据和复杂关系的建模上有独特的优势；
2. 建模能力强，能够自动学习数据中的特征；
3. 对于非线性问题能够建模较好。

非传统机器学习算法的缺点：

1. 算法复杂，难以解释和理解，需要更多的计算资源；
2. 训练过程需要大量数据和时间，训练不易；
3. 过拟合（Overfitting）的风险比传统机器学习算法更高。

综上所述，传统机器学习算法和非传统机器学习算法各有优劣，需要根据具体应用场景和问题特点进行选择和权衡。