Dentro de los algoritmos de aprendizaje automático, se entiende por Deep Learning a una subfamilia de técnicas que buscan no solamente que un algoritmo aprenda a predecir un determinado problema a partir de variables previamente generadas sino que sea el propio algoritmo el que identifique los patrones que activarán o no una cierta característica, actuando de la misma manera que las variables en contextos más tradicionales. Por ejemplo, tradicionalmente, los algoritmos de visión artificial que identificaban emociones en expresiones faciales, buscaban ciertos puntos de las caras y la relación entre ellas (posicionamiento relativo, distancias, etc.).
Los algoritmos de Deep Learning aprenden no solamente a clasificar emociones sino a descubrir qué patrones de las imágenes son discriminantes para el problema en cuestión, es decir, aprende a reconocer líneas rectas, curvas o patrones más complejos como sonrisas. Normalmente, estas técnicas son variaciones de algoritmos de redes neuronales artificiales; entre ellas se encuentran las redes convolucionales (CNN), las redes neuronales recurrentes (RNN) o las redes generativas antagónicas (GAN, Generative Adversarial Networks, en inglés).
