Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağıları kullanan bir alt dalıdır. Yani her derin öğrenme sistemi aynı zamanda bir makine öğrenmesi sistemidir, ama her makine öğrenmesi sistemi derin öğrenme kullanmaz. Makine öğrenmesi geniş bir şemsiye terimdir; karar ağaçları, doğrusal regresyon, destek vektör makineleri gibi birçok farklı teknik bu şemsiyenin altına girer. Derin öğrenme ise bu tekniklerden yalnızca biridir — çok katmanlı ağlar aracılığıyla çalışır.
Asıl fark, sistemin veriden nasıl öğrendiğinde ortaya çıkar. Klasik makine öğrenmesi yöntemlerinde genellikle bir kişi hangi özelliklerin (feature) modele verileceğine karar verir — örneğin bir e-ticaret sitesinde “sepet tutarı” veya “geçmiş sipariş sayısı” gibi elle seçilmiş değişkenler. Derin öğrenme ise bu özellik seçimini büyük ölçüde kendisi yapar: ham veriyi (görsel piksel değerleri, metin, ses dalga formu) doğrudan alır ve katmanlar arttıkça giderek daha soyut örüntüleri kendi kendine keşfeder.
Bu farkın pratik sonuçları var. Klasik makine öğrenmesi modelleri genellikle daha az veriyle çalışabilir, daha hızlı eğitilir ve kararlarının nedeni daha kolay yorumlanabilir — yapılandırılmış, tablo hâlindeki veriler (finans, sigorta skorlama gibi) için hâlâ tercih edilir. Derin öğrenme ise çok daha fazla veri ve işlem gücü ister, iç işleyişi insan gözüyle takip edilemeyecek kadar karmaşıklaşır (“kara kutu” problemi), ama görüntü tanıma, konuşma ve metin gibi yapılandırılmamış verilerde çok daha yüksek başarı sağlar. Bugünkü büyük dil modelileri de derin öğrenme tabanlıdır.
Yapay zeka, makine öğrenmesi ve derin öğrenme arasındaki genel ilişki hakkında daha fazla bilgi için yapay zeka ile makine öğrenmesi farkı yazısına, derin öğrenmenin bugüne nasıl geldiğine dair derin öğrenmenin kısa tarihi yazısına bakılabilir.