Max Welling onderzoekt lerende systemen en hun toepassing bij de analyse van grootschalige datasets. De wetenschap, maar ook de overheid, het bedrijfsleven en de samenleving in het algemeen genereren ongekende hoeveelheden data. In deze ruwe datastroom ligt informatie verborgen die gebruikt kan worden om voorspellingen mee te doen. Een machine kan door de analyse van de tekst van een email bijvoorbeeld voorspellen of deze email spam is. Of, door het analyseren van de interactie van een gebruiker met zijn smartphone kan worden voorspeld waar zij op dit moment geïnteresseerd in kan zijn.

Welling wil onderzoeken hoe de wiskundig goed gefundeerde methoden uit de statistiek kunnen worden opgeschaald naar zeer grote modellen en datasets door slim gebruik te maken van inzichten uit de informatica (bijvoorbeeld door gedistribueerd rekenen). Daarnaast gaat hij bekijken hoe inzichten uit de neurowetenschap en de cognitieve wetenschap over menselijk leren voor computer gestuurd leren ingezet kunnen worden. Andere vragen waarin Welling in geïnteresseerd is: Hoe kunnen we machines ontwerpen die (net als mensen) altijd blijven doorleren en de complexiteit van het interne model automatisch blijven aanpassen aan nieuwe informatie? Hoe kunnen we statistische procedures ontwikkelen die wetenschappers en bedrijven het beste ondersteunen bij het ontwerpen van hun modellen en simulaties?

Welling is, naast zijn aanstelling aan de UvA, sinds 2003 werkzaam aan de University of California Irvine (VS). Eerder was hij onder meer verbonden aan de Universiteit Utrecht (waar hij promoveerde), California Institute of Technology (VS), University of Toronto (Can), University College London (VK) en de Radboud Universiteit Nijmegen. Welling ontving meerdere subsidies in de Verenigde Staten, waaronder de NSF Career Award. In 2010 kreeg Welling de ECCV Koenderink Prize en in 2012 de Best Paper Award van ICML. Hij is associate editor in chief van IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI).