Diep leren (ook bekend als diep gestructureerd leren) maakt deel uit van een bredere familie van machine-leermethoden op basis van kunstmatige neurale netwerken met representatieleren. Leren kan onder toezicht, semi-begeleid of zonder toezicht plaatsvinden.
Diepe leerarchitecturen zoals diepe neurale netwerken, diepe geloofsnetwerken, terugkerende neurale netwerken en convolutionele neurale netwerken zijn toegepast op gebieden zoals computervisie, machine vision, spraakherkenning, natuurlijke taalverwerking, audioherkenning, filtering van sociale netwerken, automatische vertaling, bio-informatica, medicijnontwerp, medische beeldanalyse, materiaalinspectie en bordspelprogramma's, waarbij ze resultaten hebben opgeleverd die vergelijkbaar zijn met en in sommige gevallen de prestaties van menselijke experts overtreffen.
Kunstmatige neurale netwerken (ANNs) werden geïnspireerd door informatieverwerking en gedistribueerde communicatieknooppunten in biologische systemen. ANN's hebben verschillende verschillen met biologische hersenen. Met name neurale netwerken zijn meestal statisch en symbolisch, terwijl het biologische brein van de meeste levende organismen dynamisch (plastic) en analoog is.