可以用神经网络去构造的算法包括：

B: 线性回归
C: 逻辑回归

**专业分析：**

1. **线性回归 (Linear Regression):**
线性回归是一种基本的回归分析方法，用于预测一个连续变量的值。神经网络可以通过设置适当的损失函数（如均方误差）来实现线性回归。具体来说，一个简单的单层神经网络（即没有隐藏层的神经网络）就可以实现线性回归。

2. **逻辑回归 (Logistic Regression):**
逻辑回归是一种用于分类问题的算法，特别是二分类问题。神经网络可以通过使用sigmoid激活函数和交叉熵损失函数来实现逻辑回归。实际上，逻辑回归可以看作是一个单层神经网络的特例。

**不适用神经网络构造的算法：**

A: KNN (K-Nearest Neighbors)
KNN是一种基于实例的学习方法，主要用于分类和回归问题。它通过计算样本之间的距离来进行预测，这种方法不适合用神经网络来直接实现，因为它不涉及模型训练过程。

D: K-Means
K-Means是一种聚类算法，用于将数据分成K个簇。它通过迭代优化簇中心来最小化簇内的平方误差和。K-Means是一种无监督学习算法，而神经网络通常用于监督学习任务。虽然有一些研究尝试结合神经网络和K-Means，但K-Means本身并不是通过神经网络直接实现的。

综上所述，线性回归和逻辑回归可以通过神经网络来构造，而KNN和K-Means则不适合直接用神经网络来实现。