ディープラーニング（深層学習）は、人間の脳の神経回路を模した「ニューラルネットワーク」を多層（入力層、中間層/隠れ層、出力層）に重ねた「ディープニューラルネットワーク（DNN）」を利用します。最大の特徴は「表現学習」とも呼ばれ、データの特徴（特徴量）を機械自身が自動的に抽出・獲得できる点にあります。従来の機械学習では、画像から特徴を見出すために人間が「エッジの向き」や「色のヒストグラム」などをあらかじめ定義（特徴量設計）して与える必要がありましたが、ディープラーニングは大量のデータを入力するだけで、低次（点や線）から高次（顔や物体の形状）の特徴を段階的に学習します。これにより、画像認識精度が飛躍的に向上し、囲碁での人間への勝利（AlphaGoなど）や、自動翻訳、高精度な音声合成など、あらゆる分野でブレイクスルーをもたらしました。
試験においては、機械学習とディープラーニングの最大の違いである「特徴量（分析に必要な要素）の自動抽出」について問われることが多いです。また、ニューラルネットワークを構成する「入力層」「中間層（隠れ層）」「出力層」という構造や、画像処理でよく使われる「畳み込みニューラルネットワーク（CNN）」、時系列データの処理（音声や自然言語など）に使われる「回帰型ニューラルネットワーク（RNN）」といった代表的なネットワークモデルの名称と用途を結びつけて覚えておくことがポイントになります。
ニューラルネットワーク（脳の神経細胞を模した仕組み）、特徴量（データを分析する際の目印となる変数）、CNN（畳み込みニューラルネットワーク、画像認識に特化したネットワークモデル）。