人工智能常用的算法模型有以下幾種：
1. 線性回歸（Linear Regression）：用于預測連續變量的值，通過擬合最佳直線來建立自變量與因變量之間的關系。
2. 邏輯回歸（Logistic Regression）：用于分類問題，通過擬合一個S形曲線來預測離散變量的概率。
3. 決策樹（Decision Tree）：通過樹狀結構進行分類和預測，根據特征的重要性進行決策。
4. 隨機森林（Random Forest）：通過多個決策樹的集成來進行分類和預測，通過投票或平均預測結果來最終決策。
5. 支持向量機（Support Vector Machines，SVM）：通過在特征空間中尋找最佳超平面將不同類別的點分開來進行分類。
6. 樸素貝葉斯（Naive Bayes）：基于貝葉斯定理，通過特征之間的獨立性假設來進行分類。
7. K近鄰算法（K-Nearest Neighbors，KNN）：通過計算未知樣本與訓練樣本之間的距離，找出最近的K個樣本進行分類。
8. 神經網絡（Neural Network）：模擬人腦結構的網絡模型，通過多層神經元進行特征提取和分類。
9. 卷積神經網絡（Convolutional Neural Network，CNN）：主要用于圖像處理任務，通過卷積層、池化層等進行特征提取和分類。
10. 循環神經網絡（Recurrent Neural Network，RNN）：主要用于序列數據處理任務，如自然語言處理和時間序列預測。
以上是人工智能常用的一些算法模型，根據具體問題的特點和數據的特征，選擇合適的算法模型進行建模和分析。
