El aprendizaje profundo es un subcampo del aprendizaje automático, que (en términos generales) es una tecnología inspirada en el cerebro humano y sus funciones. Introducido por primera vez en la década de 1950, el aprendizaje automático se informa acumulativamente por lo que se conoce como la red neuronal artificial, una gran cantidad de nodos de datos interconectados que colectivamente forman la base de la inteligencia artificial. (Para conocer los conceptos básicos del aprendizaje automático, consulte Machine Learning 101.)
El aprendizaje automático esencialmente permite que los programas de computadora cambien a sí mismos cuando se lo solicitan datos externos o programación. Por naturaleza, es capaz de lograr esto sin la interacción humana. Comparte una funcionalidad similar con la minería de datos, pero con resultados minados para ser procesados por máquinas en lugar de humanos. Se divide en dos categorías principales: aprendizaje supervisado y no supervisado.
El aprendizaje automático supervisado implica la inferencia de operaciones predeterminadas a través de datos de entrenamiento etiquetados. En otras palabras, el programador (humano) conoce de antemano los resultados supervisados, pero el sistema que infiere los resultados está capacitado para "aprenderlos". El aprendizaje automático no supervisado, por el contrario, extrae inferencias de datos de entrada sin etiquetar, a menudo como un medio para detectar patrones desconocidos.