（包括但不限于以下大类）：

1.机器学习可解释性（Interpretability或Explainable Artificial Intelligence）：可解释性是人们可以理解决策原因的程度，代表人类可以一致地预测模型结果的程度。以目前研究最火热的深度学习来说，深度学习的模型可以在围棋AI或游戏AI上完胜世界冠军或电竞冠军，深度学习在图像识别、语音识别等领域可以接近满分。但是深度学习没有办法以一种从人类角度理解模型。即使是模型的提出者也不完全了解他们的预测依据是什么，不知道模型好的原因，不知道什么时候以某种形式出现错误。这也导致此类深度学习模型无法部署到一些对于性能要求较高且需要解释的关键领域（如运输，医疗，法律，财经等）。从建模建立过程看，可以分为建模前、建模中或建模后三种维度进行解释性探索。

2.自然语言处理(NLP)：自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。综上，它是计算机科学的一部分。

  主要研究方向有： 文本朗读（Text to speech）/语音合成（Speech synthesis） /语音识别（Speech recognition） /中文自动分词（Chinese word segmentation） /词性标注（Part-of-speech tagging） /句法分析（Parsing） /自然语言生成（Natural language generation） /文本分类（Text categorization） /信息检索（Information retrieval） /信息抽取（Information extraction） /文字校对（Text-proofing） /问答系统（Question answering）/机器翻译（Machine translation）/自动摘要(Automatic summarization)文字蕴含（Textual entailment）等。

3.图像识别：图像识别算法是计算机视觉中非常重要且基础的分支，类似于人类对图像内容的识别其主要任务是通过对图像中像素分布及颜色、纹理等特征的统计，将图像内容所属类别进行正确的分类。在深度学习中，图像识别模型在完成本职任务的同时还充当计算机视觉其他任务的特征提取网络。从发展阶段看分成三大类：文字识别、数字图像处理与识别、物体识别。图像识别对于人类和动物来说是很自然的，但是对于计算机来说却是一项极其困难的任务。 在过去的二十年中，计算机视觉领域出现了，并且已经开发了可以挑战的工具和技术。目前用于图像识别任务的最有效工具是深层神经网络，特别是卷积神经网络（CNN）及改进算法。从图像识别的应用来看，主要包括：面部识别，视觉地理定位，手势识别，对象识别，医学图像智能分析，智能制造瑕疵检测等。

4.目标跟踪：目标跟踪是计算机视觉领域的一个重要分支。目标跟踪是指对图像序列中的运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，进行处理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。从跟踪目标的多少来看，跟踪可分为单目标跟踪和多目标跟踪；从是否需要在不同的镜头中跟踪到同一个目标来看，跟踪可分为单摄像头跟踪和跨摄像头跟踪。综上，可以研究大场景下基于单摄相机或多摄像机网络下的短时或长时的单目标或多目标的视频跟踪算法研究。

5.其他机器学习算法研究与应用：如利用飞机航排的磁感应数据预测内陆地下水的分布、森林覆盖率等等。