Djupinlärning är en underkategori av maskininlärning som använder sig av artificiella neurala nätverk för att lära datorn att känna igen mönster och strukturer i data på ett mer sofistikerat sätt. Neurala nätverk är uppbyggda av flera lager av neuroner som är kopplade till varandra, där varje lager har en unik uppgift i att bearbeta informationen.
Genom att använda sig av djupinlärning kan datorn lära sig att göra mer avancerade uppgifter, såsom ansiktsigenkänning eller rösttolkning, på ett mer precist sätt än tidigare. Detta beror på att neurala nätverk kan extrahera högnivåabstraktioner från data på ett mer sofistikerat sätt än traditionella maskininlärningsalgoritmer.
Djupinlärning kräver dock stora mängder data och beräkningskraft för att fungera på ett tillfredsställande sätt. Men med dagens teknologi och datamängder har djupinlärning blivit en av de mest lovande teknikerna inom AI, och används idag inom en mängd olika applikationer, såsom självkörande bilar, medicinsk diagnostik och automatisk översättning.