یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که در اصل شامل یک شبکه عصبی با سه یا چند لایه است. این شبکه های عصبی سعی می کنند رفتار مغز انسان را شبیه سازی کنند. گرچه این مهم تا حد زیادی به دور از توانایی آنهاست اما به آنها اجازه می دهد از حجم زیادی از داده ها یاد بگیرندو پیش بینی های تقریبی داشته باشند.
در واقع یادگیری عمیق زیر مجموعه ای از یادگیری ماشینی است که با الگوریتم های الهام گرفته از ساختار و عملکرد مغز به نام شبکه های عصبی مصنوعی مرتبط است.
یادگیری عمیق بسیاری از برنامه ها و خدمات هوش مصنوعی (AI) را پیش می برد که اتوماسیون را بهبود می بخشد و کارهای تحلیل و فیزیکی را بدون دخالت انسان انجام می دهد. فناوری یادگیری عمیق در پشت محصولات و خدمات روزمره مانند: دستیاران دیجیتالی، کنترل از راه دور تلویزیون، تشخیص تقلب در کارت اعتباری و نیز فناوری های نوظهوری نظیر اتومبیل های خودران نهفته است.
یادگیری عمیق (همچنین به عنوان یادگیری ساختاریافته عمیق شناخته می شود) بخشی از خانواده گسترده تری از روش های یادگیری ماشینی است که بر اساس شبکه های عصبی مصنوعی با یادگیری بازنمایی شده است. یادگیری می تواند تحت نظارت، نیمه نظارت یا بدون نظارت باشد.
معماری های عمیق یادگیری مانند شبکه های عصبی عمیق، شبکه های اعتقادی عمیق، یادگیری تقویت عمیق، شبکه های عصبی مکرر و شبکه های عصبی کانولوشن در زمینه هایی از جمله بینایی رایانه، تشخیص گفتار، پردازش زبان طبیعی، ترجمه ماشین، بیوانفورماتیک، طراحی دارو و پزشکی استفاده شده است.
شبکه های عصبی مصنوعی (ANN) از پردازش اطلاعات الهام گرفته شده و گره های ارتباطی در سیستم های بیولوژیکی توزیع شده است. شبکه های عصبی متفاوت از مغز بیولوژیکی هستند. به طور خاص، شبکه های عصبی معمولا ثابت و نمادین بوده، در حالی که مغز بیولوژیکی اکثر موجودات زنده پویا و آنالوگ است.
صفت عمیق در یادگیری عمیق به استفاده از چندین لایه در شبکه اشاره دارد. یادگیری عمیق یک تنوع مدرن است که به تعداد نامحدودی از لایه ها با اندازه محدود می پردازد، که امکان عملی و اجرای بهینه را فراهم می آورد. در یادگیری عمیق، لایه ها همچنین مجاز هستند که ناهمگن بوده و از مدل های پیوند گرایانه بیولوژیکی به دلیل، کارآیی، آموزش و قابل فهم بودن، از قسمت ساختار یافته خارج شوند.