Ogólnie rzecz biorąc, uczenie maszynowe polega na dostarczeniu systemowi danych i umożliwieniu mu uczenia się na ich podstawie. System może następnie wykorzystać tę wiedzę do wykonania określonego zadania. Proces uczenia maszynowego można podzielić na dwie kategorie: uczenie nadzorowane i uczenie bez nadzoru.
Uczenie nadzorowane polega na dostarczeniu systemowi oznaczonych danych, w których pożądany wynik jest już znany. Następnie system uczy się rozpoznawać wzorce w danych i przypisuje etykiety do nowych danych w oparciu o wzorce, których się nauczył.
Z drugiej strony, uczenie bez nadzoru polega na dostarczaniu systemowi nieoznakowanych danych, których pożądany wynik nie jest znany. Następnie system próbuje znaleźć wzorce i relacje w danych bez żadnej wcześniejszej wiedzy.
Głębokie uczenie to podzbiór uczenia maszynowego, który wykorzystuje sieci neuronowe do modelowania i rozwiązywania złożonych problemów. Sieci neuronowe składają się z połączonych ze sobą węzłów, które przetwarzają informacje i komunikują się ze sobą. Węzły uczą się na podstawie danych i odpowiednio dostosowują swoje połączenia, aby poprawić dokładność przewidywania danych wyjściowych.
Podsumowując, uczenie maszynowe jest techniką wykorzystywaną do wdrażania sztucznej inteligencji, a sieci neuronowe są podzbiorem algorytmów uczenia maszynowego. Proces uczenia maszynowego można podzielić na dwie kategorie: uczenie nadzorowane i nienadzorowane. Uczenie głębokie to podzbiór uczenia maszynowego, który wykorzystuje sieci neuronowe do modelowania i rozwiązywania złożonych problemów. Dlatego też sieci neuronowe są rodzajem uczenia maszynowego, ale nie wszystkie algorytmy uczenia maszynowego są oparte na sieciach neuronowych.
Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje głębokie sieci neuronowe z wieloma warstwami do wyodrębniania funkcji z danych. Z drugiej strony, sieci neuronowe odnoszą się konkretnie do zestawu algorytmów, które są wzorowane na strukturze i funkcji ludzkiego mózgu i mogą być wykorzystywane do różnych zastosowań w uczeniu maszynowym, w tym do głębokiego uczenia się. Innymi słowy, głębokie uczenie jest specyficznym zastosowaniem sieci neuronowych, które obejmuje wykorzystanie wielu warstw do uczenia się coraz bardziej złożonych reprezentacji danych.