人工智能常用的算法模型有以下几种：
1. 线性回归（Linear Regression）：用于预测连续变量的值，通过拟合最佳直线来建立自变量与因变量之间的关系。
2. 逻辑回归（Logistic Regression）：用于分类问题，通过拟合一个S形曲线来预测离散变量的概率。
3. 决策树（Decision Tree）：通过树状结构进行分类和预测，根据特征的重要性进行决策。
4. 随机森林（Random Forest）：通过多个决策树的集成来进行分类和预测，通过投票或平均预测结果来最终决策。
5. 支持向量机（Support Vector Machines，SVM）：通过在特征空间中寻找最佳超平面将不同类别的点分开来进行分类。
6. 朴素贝叶斯（Naive Bayes）：基于贝叶斯定理，通过特征之间的独立性假设来进行分类。
7. K近邻算法（K-Nearest Neighbors，KNN）：通过计算未知样本与训练样本之间的距离，找出最近的K个样本进行分类。
8. 神经网络（Neural Network）：模拟人脑结构的网络模型，通过多层神经元进行特征提取和分类。
9. 卷积神经网络（Convolutional Neural Network，CNN）：主要用于图像处理任务，通过卷积层、池化层等进行特征提取和分类。
10. 循环神经网络（Recurrent Neural Network，RNN）：主要用于序列数据处理任务，如自然语言处理和时间序列预测。
以上是人工智能常用的一些算法模型，根据具体问题的特点和数据的特征，选择合适的算法模型进行建模和分析。