L'apprentissage profond (également appelé apprentissage structuré profond ou apprentissage hiérarchique) est une sorte d'apprentissage machine, qui est surtout utilisé avec certains types de réseaux de neurones. Comme pour les autres types d'apprentissage machine, les sessions d'apprentissage peuvent être non supervisées, semi-supervisées ou supervisées. Dans de nombreux cas, les structures sont organisées de manière à ce qu'il y ait au moins une couche intermédiaire (ou couche cachée), entre la couche d'entrée et la couche de sortie.
Certaines tâches, telles que la reconnaissance et la compréhension de la parole, des images ou de l'écriture, sont faciles à réaliser pour l'homme. Cependant, pour un ordinateur, ces tâches sont très difficiles à réaliser. Dans un réseau neuronal multicouche (ayant plus de deux couches), l'information traitée deviendra plus abstraite à chaque couche ajoutée.
Les modèles d'apprentissage profond s'inspirent des schémas de traitement de l'information et de communication des systèmes nerveux biologiques ; ils diffèrent des propriétés structurelles et fonctionnelles des cerveaux biologiques (en particulier du cerveau humain) à bien des égards, ce qui les rend incompatibles avec les preuves des neurosciences.
