深度學習技術會使用人工類神經網路從資料中學習。類神經網路由多層相連的節點組成，每個節點負責學習特定的資料特徵。以先前使用圖片的範例為基礎：在圖片辨識網路中，第一層節點可能會學習辨識邊緣，第二層可能會學習辨識形狀，而第三層可能會學習辨識物件。

類神經網路學習時，節點間連線的權重就會隨之調整，讓類神經網路可以更妥善地分類資料。這項程序稱為「訓練」，可以利用各種技術來完成，例如監督式學習、非監督式學習和增強式學習等技術。

類神經網路訓練完成後，即可用於對所收到的新資料進行預測。

深度學習和機器學習都是人工智慧的分支，但機器學習這個詞彙的定義更廣泛，涵蓋深度學習等多項技術。視任務與演算法而定，機器學習和深度學習演算法皆可使用加上標籤/未加上標籤的資料來訓練。

無論是機器學習或深度學習演算法，都適合用來處理圖片辨識、語音辨識和自然語言處理等任務。不過，深度學習演算法能夠學習階層結構式資料表示法，因此在處理複雜的模式識別任務方面 (例如圖像分類和物件偵測)，成效通常優於傳統機器學習演算法。

深度學習可用於各種用途，包括：

• 圖片辨識：辨識圖片中的物件和特徵，例如人物、動物、地點等。
• 自然語言處理：協助使用者瞭解文字的含義，例如客服聊天機器人和垃圾郵件篩選器中的文字。
• 財經：協助分析財務資料和預測市場趨勢
• 文字轉圖片：將文字轉換為圖片，例如 Google 翻譯應用程式中的文字。

深度學習模型有許多不同類型，最常見的類型包括：

CNN 會用於辨識及處理圖片，且特別適合辨識圖片中的物件，即使物件有部分模糊不清或扭曲變形也適用。

深度增強式學習適用於機器人和遊戲。這種機器學習可讓代理人與環境互動並獲得獎勵或懲罰，藉此瞭解如何應對環境。

RNN 可用於自然語言處理及語音辨識，特別適合用於瞭解句子或詞組的結構定義，也能用來產生文字或翻譯語言。

使用深度學習模型有幾項優點，包括：

• 能學習資料中的特徵之間的複雜關係：比傳統機器學習方法更強大。
• 大型資料集訓練：如此一來，模型就會變得易於擴充，且可從更多元的經驗中學習，進而做出更準確的預測。
• 資料導向學習：深度學習模型能以資料導向的方式學習，減少訓練作業的人力介入，藉此提高效率和擴充性。這些模型會從持續產生的資料 (例如感應器或社群媒體資料) 中學習。

深度學習也面臨許多挑戰，包括：

• 資料要求：深度學習模型需要透過大量資料學習，因此在可用資料不足的情況下，很難將深度學習應用在問題上。
• 過度配適：深度學習模型可能容易過度配適。這表示他們可以學習資料中的雜訊，而不是潛在關係。
• 偏誤：視所用資料而定，這些模型可能會有偏誤。這可能會導致預測不公正或不準確。請務必採取相關措施來減少深度學習模型的偏誤。