取回式随机抽样（也称为有放回抽样）是指在抽样过程中，所选取的样本在每次抽取后会被放回原样本集中，因而可能会在后续的抽取中再次被选择。这种方法在某些机器学习的集成算法中得到了应用。让我们分析一下各个选项：

A: **袋装法 (Bagging)**
- 袋装法是一种并行集成学习方法。它通过对数据集进行多次有放回的随机抽样，生成多个不同的子数据集，每个子数据集用于训练一个模型。最终的结果通过对这些模型的结果进行平均或投票得到。因此，袋装法使用了取回式随机抽样。

B: **提升法 (Boosting)**
- 提升法是一种逐步基于前序模型优化错误的过程，常使用不放回抽样。通常情况下，它不会使用取回式随机抽样，因为每个模型的错误率会影响下一个模型的训练过程。

C: **随机森林 (Random Forest)**
- 随机森林是袋装法的一种扩展，除了使用有放回的随机抽样来生成多个决策树，还在每个节点进行分裂时随机选择特征。和袋装法一样，随机森林使用了取回式随机抽样。

D: **以上皆是**
- 基于以上分析，提升法（Boosting）通常不使用取回式随机抽样，所以D选项不正确。

因此，正确答案是：**A: 袋装法(Bagging) 和 C: 随机森林(Random Forest)**。这两个方法都使用了取回式随机抽样。