深層学習（ディープラーニング）とは機械学習のひとつの手法です。
機械学習とは、学習データをもとに未知のデータに対して判断・予測する枠組みのことを言います。
通常の機械学習は人間がデータの特徴を見つける必要がありますが、深層学習はその特徴までも学習することができます。
深層学習は、車の自動運転、ロボットの周囲環境認知、医用画像処理、家電製品などに応用されています。

深層学習モデルはニューラルネットワークを何層か組み合わせて作ります。
ニューラルネットワークとは、人間の脳における情報交流の流れを模倣したものであり、
入力データを入れる層を入力層、データが出力される層を出力層、その間で様々に関係しあう層を隠れ層といいます。
各層の各節点同士の各結合にそれぞれ重みが設けられており、それらの結合を通した結果を次の層で得ます。

ここでは、深層学習のアルゴリズムとして代表的なものを２つ紹介いたします。

1.畳み込みネットワーク(CNN)

畳み込みニューラルネットワークは、データの小領域ごとに特徴を計算する畳み込み層と
データの小領域を集約する処理を行うプーリング層に分かれています。
データ同士の位置関係に意味がある場合に有効で、画像処理に対してよく利用されています。

2.再帰型ニューラルネットワーク(RNN)

再帰型ニューラルネットワークは、時系列の入力データに対して前の時刻のデータを
情報として記憶しておきながら出力データを予測するアルゴリズムです。
入力データの数が不定かつデータ系列の順番を保持しておきたい場合に有効で、
自然言語処理に対してよく利用されています。

よりよいモデルを作る為には、何らかの基準を設けてモデルの評価を行う必要があります。
多くの場合は、誤差逆伝播法を用いて最適化を行います。誤差逆伝播法とは、
出力層における正解値と予測値の誤差を評価し、各結合の重みを調整しようとするものです。
この誤差を最小化することが目標ですが、最小化の方法には様々なものが検討されています。

学習方法は、大きく２つに分けることができます。

1.バッチ学習

学習するときに、データを全てまとめて学習する方法です。
たくさんのデータを学習できますが、その分計算時間がかさんでしまいます。

2.オンライン学習

学習するときに、データを一つずつ学習する方法です。データが少量なので計算時間が少なくて済み、
モデルのリアルタイム更新などもできます。ただし、異常なデータが入力されるとモデルの精度が落ちてしまいます。

深層学習は大量のデータを上記の方法で学習して作られるモデルです。従って、
十分な学習データがあれば深層学習モデルを作る準備は整ったことになります。
深層学習の開発は、多くの場合Pythonという言語を用いて開発されます。
その主な要因として、Pythonには深層学習に関するライブラリが豊富なので、
自分で難しいコードを書かなくてもライブラリにあらかじめ用意されている関数を使えば、
直感的にわかりやすい記述のみで開発を行えることが挙げられます。また、Pythonという言語自体も
直感的にわかりやすい記述が多いので、コーディングに慣れていなくても使いやすいという特徴があります。

深層学習は大量のデータを扱わなければならないので、必然的に性能の良いコンピュータが必要になります。
最近はコンピュータの性能がかなり向上してきており、性能のいいGPU（グラフィックボード）を用いれば
現実的な時間でモデルを構築することが可能になってきています。
深層学習が再び流行し出したのも、コンピュータの計算能力が向上したことが
ひとつの要因になっています。