Deep learning (ou Apprentissage en profondeur ou apprentissage structuré profond ou l’apprentissage hiérarchique) est une famille de technique d’intelligence artificielle qui s’appuie sur l’analyse de grandes quantités de données pour créer des modèles qui permettent de prévoir par exemple l’évolution des ventes d’un produit, de qualifier le contenu d’une image ou d’une vidéo ou encore d’analyser un texte.

Le connexionisme est une approche dans les domaines de la science de cognitive, qui espère expliquer phénomènes mentaux à l’aide des réseaux de neurones artificiels (ANN).

Les algorithmes de rétropropagation constituent une famille de méthodes utilisées pour former efficacement des réseaux de neurones artificiels (ANN) en suivant un algorithme d'optimisation basé sur le gradient qui exploite la règle de chaîne . La caractéristique principale de la rétropropagation est sa méthode itérative, récursive et efficace pour le calcul des mises à jour des pondérations afin d’améliorer le réseau jusqu’à ce qu’il soit capable d’exécuter la tâche pour laquelle il est traité. Il est étroitement lié à l’algorithme de Gauss – Newton .