जितनी अधिक परतें, उतना अधिक अमूर्तता। डीप लर्निंग में कई छिपी हुई परतों वाले न्यूरल नेटवर्क का उपयोग करके कच्चे डेटा से सीधे प्रतिनिधित्व सीखा जाता है। इसमें, विशेषज्ञ मैन्युअल रूप से फीचर्स बनाने के बजाय, नेटवर्क को उन्हें खोजने देते हैं।

2012 के बाद इस दृष्टिकोण में ज़बरदस्त उछाल आया, जब एक डीप कनवोल्यूशनल नेटवर्क ने एक प्रमुख छवि पहचान प्रतियोगिता में बड़े अंतर से जीत हासिल की। ​​तेज़ जीपीयू, बड़े डेटासेट और बेहतर प्रशिक्षण तकनीकों ने इसमें अहम भूमिका निभाई।

जहां डीप लर्निंग उत्कृष्ट प्रदर्शन करती है

• छवि और वीडियो पहचान
• वाक् और भाषा प्रसंस्करण
• जनरेटिव मॉडलिंग
• गेम खेलना और नियंत्रण
• अनुशंसा प्रणालियाँ

यह कोई जादू नहीं है। डीप मॉडल्स को बड़े डेटासेट, पर्याप्त कंप्यूटिंग क्षमता और सावधानीपूर्वक ट्यूनिंग की आवश्यकता होती है। साथ ही, इनकी व्याख्या करना भी मुश्किल होता है, जो चिकित्सा और वित्त जैसे विनियमित क्षेत्रों में एक समस्या है। प्रगति जारी है, लेकिन व्यावहारिक बाधाएं भी बनी हुई हैं।