[요약] 입력층(input layer)과 출력층(output layer) 사이 다중의 은닉층(hidden layer)을 갖는 인공신경망(ANN) 심층신경망은 일정 수준의 복잡성을 가진 신경망, 즉 두 개 이상의 층을 가진 신경망으로 인간의 뇌가 패턴을 인식하는 방식을 모사하여 다양한 입력 데이터를 분류, 군집을 해석하고, 데이터에서 특정 패턴을 인식하도록 하는 것을 말한다. 이러한 심층신경망은 입력 계층, 출력 계층, 그리고 그사이에 하나 이상의 숨겨진 계층으로 구성된 네트워크이다. 각 계층은 일부에서 '기능 계층'이라고 부르는 프로세스에서 특정 유형의 정렬 및 순서를 수행한다. 이러한 정교한 신경 네트워크의 주요용도 중 하나는 라벨이 없거나 구조화되지 않은 데이터를 처리하는 것이다. 전통적인 머신러닝 알고리즘은 하나의 입력과 출력층으로 이루어져 있지만, 심층신경망은 다수의 깊이로써 층마다 중의 은닉층을 포함하여 다양한 비선형적 관계를 학습할 수 있다. 따라서 심층신경망은 데이터의 잠재적인 구조를 파악할 수 있으며, Data 양이 많아지면 성능이 계속 좋아진다는 장점이 있다. 하지만 심층신경망은 신경망이 복잡할 경우 작동하는데 시간이 오래 걸리고 분석 시 변수들을 일정한 순서나 방식으로 넣는 것이 아니기 때문에 결과가 일정하지 않다. 그리고 .학습을 위한 많은 연산량과 과하게 학습하여 실제 데이터에 대해 오차가 증가하는 과적합(Overfitting)이나 높은 시간 복잡도(High Time Complexity) 등의 문제가 발생할 수 있다. 이러한 심층신경망은 알고리즘에 따라 비지도 학습 방법(unsupervised learning)에 기반한 심층 신뢰 신경망(DBN: Deep Belief Network), 심층 오토인코더(deep autoencoder) 등이 있다. 이외에 이미지 같은 2차원 데이터 처리를 위한 합성곱 신경망(CNN: Convolutional Neural Network), 시계열 데이터 처리를 위한 순환 신경망(RNN: Recurrent Neural Network) 등이 있다. 2000년대 이후 배치 정규화(batch normalization)와 드롭아웃(drop-out), ReLU(Rectified Linear Unit) 등의 기법이 적용되면서 딥 러닝(deep learning)의 핵심 모델로 떠올라 활용되고 있다.