在加拿大，数据科学领域广泛使用的算法包括：
1. 线性回归（Linear Regression）：用于建立数值预测模型，找出变量之间的线性关系。
2. 逻辑回归（Logistic Regression）：常用于分类问题，预测概率值属于某个类别的可能性。
3. 决策树（Decision Tree）：通过树状结构进行决策，易于理解和解释。
4. 随机森林（Random Forest）：基于多棵决策树的集成学习方法，通常具有较高的准确度。
5. 支持向量机（Support Vector Machine）：用于分类和回归分析，能够处理高维数据。
6. 聚类算法（Clustering Algorithms）：如K均值算法（K-Means）和层次聚类（Hierarchical Clustering），用于找出数据中的群集。
7. 神经网络（Neural Networks）：包括深度学习领域的多层感知器（Multi-layer Perceptron）等模型。
以上算法在加拿大的数据科学领域中得到广泛应用，帮助分析师们从复杂的数据中提取有用信息。