在弱人工智能领域，常见的算法包括决策树、逻辑回归、支持向量机、神经网络、贝叶斯分类器、聚类算法等。这些算法可以用于不同的业务场景和问题类型，选择适合自己业务的算法需要考虑以下几点：
首先，需要明确自己的业务目标和问题类型。不同的算法适用于不同类型的问题，比如分类问题适合使用决策树、逻辑回归等算法，聚类问题适合使用K均值、层次聚类等算法。
其次，需要考虑数据的特征和规模。有些算法对数据的特征和规模有一定的要求，比如神经网络对大规模数据的处理能力较强，而贝叶斯分类器对特征之间的独立性假设较为敏感。
另外，还需要考虑算法的可解释性和实时性要求。有些算法具有较好的可解释性，可以帮助业务人员理解模型的预测逻辑，而有些算法在实时性要求较高的场景下表现更好。
最后，建议在选择算法时可以进行实际的测试和比较，根据不同算法在实际数据上的表现来选择最适合自己业务的算法。可以通过交叉验证、A/B测试等方法来评估算法的性能，从而选择最合适的算法应用于自己的业务场景。
举个例子，假设一个电商网站想要预测用户购买某种商品的可能性，可以根据用户的行为数据和特征选择适合的算法进行建模和预测。如果数据特征较为复杂并且要求预测的实时性较高，可以考虑使用神经网络算法；如果数据特征较为简单且需要模型的可解释性较强，可以选择逻辑回归或决策树算法进行建模和预测。