[[Soubor:Tlumení chyby.png|náhled|Míra změn vah po jednotlivých vrstvách, daná tlumením zpětného šíření chyby, tj. první tři vrstvy se neučí prakticky vůbec, smysluplně se učí pouze poslední tři.]]
'''Hluboké učení''' <ref name=":0">{{Citace knihy|příjmení=Goodfellow|jméno=Ian|příjmení2=Bengio|jméno2=Yoshua|příjmení3=Courville|jméno3=Aaron|titul=Deep Learning|vydavatel=MIT Press|rok=2016|url= https://books.google.cz/books?hl=cs&lr=&id=omivDQAAQBAJ&oi=fnd&pg=PR5&dq=GOODFELLOW,+Ian%3B+BENGIO,+Yoshua%3B+COURVILLE,+Aaron.+Deep+Learning.&ots=MNS-aumIWT&sig=1qcDsOY9RgsiGTDJsJwcr4D78Ro&redir_esc=y#v=onepage&q&f=false|počet stran=767|jazyk=en}}</ref> (''Deep Learning'') je disciplína v rámci [[Strojové učení|strojového učení]], která se zabývá způsobem učení [[Neuronová síť|neuronových sítí]] s velkým počtem vrstev. Hloubkou modelu se myslí počet vrstev neuronů, které jsou za sebou zapojeny tak, že výstup jedné vrstvy je vstupem vrstvy následující. U modelů hlubokého učení se přitom hloubka nachází často v řádech desítek a více vrstev. Pro odhad parametrů sítě (trénování) se obvykle používá algoritmus [[zpětné šíření chyby|zpětného šíření chyby]]. Trénování probíhá ve dvou fázích, tj. nejprve předučení sítě dopředným směrem např. pomocí [[Autoenkodér|autoenkodérů]] ([[učení bez učitele]]) a poté doučení sítě zpětným směrem ([[učení s učitelem]]), eliminuje se tak tlumení zpětného šíření chyby. Metodologie hlubokého učení se prosadila kolem roku 2010 jako základní možnost pro řešení složitých problémů strojového učení jako je klasifikace obrazů, mluvené či psané řeči nebo překlady z jednoho přirozeného jazyka do jiného.
