1. 机器学习（Machine Learning）：

- 监督学习（Supervised Learning）：通过演习数据集学习预测函数，用于分类和回归任务。

- 无监督学习（Unsupervised Learning）：从未标记的数据中探求隐蔽构造，用于聚类和降维。

- 强化学习（Reinforcement Learning）：通过试错过程学习策略，以最大化累积褒奖。

2. 深度学习（Deep Learning）：

- 人工神经网络（Artificial Neural Networks, ANNs）：仿照人脑神经元事情事理的打算模型。

- 卷积神经网络（Convolutional Neural Networks, CNNs）：特殊适用于图像处理和打算机视觉任务。

- 循环神经网络（Recurrent Neural Networks, RNNs）：处理序列数据，如韶光序列剖析和自然措辞处理。

- 是非时影象网络（Long Short-Term Memory, LSTM）：改进的RNN，更好地处理长间隔依赖问题。

- Transformer模型：基于自把稳力机制，广泛运用于自然措辞处理任务。

3. 自然措辞处理（Natural Language Processing, NLP）：

- 分词（Tokenization）：将文本数据分割成单词或短语。

- 词性标注（Part-of-Speech Tagging）：确定每个单词的词性。

- 命名实体识别（Named Entity Recognition, NER）：识别文本中的专有名词。

- 情绪剖析（Sentiment Analysis）：判断文本的情绪方向。

- 机器翻译（Machine Translation）：自动将一种措辞翻译成另一种措辞。

4. 打算机视觉（Computer Vision）：

- 图像分类（Image Classification）：识别图像中的工具种别。

- 目标检测（Object Detection）：在图像中定位物体的位置和种别。

- 语义分割（Semantic Segmentation）：将图像划分为多个区域，每个区域对应不同的工具种别。

- 实例分割（Instance Segmentation）：在语义分割的根本上进一步区分不同的工具实例。

5. 机器人学（Robotics）：

- 自主导航（Autonomous Navigation）：机器人在未知环境中的定位和路径方案。

- 人机交互（Human-Robot Interaction, HRI）：使机器人能够理解和相应人类用户的行为。

- 机器人操作（Robotic Manipulation）：机器人实行物理操作，如抓取和移动物体。

6. 强化学习平台（Reinforcement Learning Platforms）：

- 供应仿照环境，供算法测试和演习，如OpenAI Gym、Gymnasium等。

7. 云打算和分布式打算（Cloud Computing and Distributed Computing）：

- 供应必要的打算资源，支持大规模数据处理和模型演习，如AWS、Google Cloud等。

8. 大数据技能（Big Data Technology）：

- 处理和剖析海量数据，为机器学习供应数据支持，如Hadoop、Spark等。

9. 量子打算（Quantum Computing）：

- 探索量子打算在人工智能中的运用，如量子神经网络、量子机器学习等。

这些技能支撑相互结合，推动了人工智能领域的快速发展，并在各个行业中找到了广泛的运用处景。
随着技能的不断进步，未来人工智能的能力将进一步扩展，为人类社会带来更多的变革和创新。