امروزه یکی از مهم‌ترین منابع اولیه برای شرکت­ها وجود داده­های عظیم و معنی­دار است که  می­تواند یک شرکت و سازمان را در جهت صحیح و برای رسیدن به اهدافش هدایت کند. به‌طورکلی تنها داده­های خام نیستند که برای شرکت‌ها ارزش می­آفریند بلکه اطلاعات و الگوهای نهفته درون این داده­ها است که استراتژی شرکت‌ها را می­توانند تغییر دهند. یافتن این الگوها و کشف اطلاعات از داده­ها به‌صورت دستی ممکن نیست و علوم نوینی همچون داده‌کاوی و یادگیری­ ماشین و یادگیری عمیق قادر به کشف پیچیدگی و عمق در داده­ها می­باشد. ازاین‌رو یادگیری ماشین یکی از فیلدهای مطالعاتی است که کامپیوتر بدون هیچ برنامه‌ریزی صریحی و فارغ از الگوریتم­های از قبل تعریف‌شده­ای  قادر به یادگیری باشد. این تعریف غیررسمی نشان می­دهد که یادگیری ماشین زیرمجموعه هوش مصنوعی است. که در چند دهه گذشته در بسیاری از رشته‌ها  مانند: حسابداری، پزشکی، فیزیک ذرات، زبان‌شناسی و علوم اعصاب کاربرد داشته است. همچنین درزمینۀ خودروهای بدون سرنشین، سیستم تشخیص گفتار، تشخیص چهره و شناخت ژنوم انسانی و غیره به‌کاررفته است، اساس یادگیری ماشین، استفاده از مجموعه مشاهدات برای کشف یک فرایند اساسی است.

به تعریف تام میشل در یادگیری ماشین یک برنامه کامپیوتری می­گوید از تجربهE  یاد بگیر و باتجربه به دست آورده به‌گونه‌ای وظیفه T را انجام بده که کارایی آن بالا باشد فاز برای یافتن مدل یادگیری ماشین مطرح‌شده است. ازاین‌رو برای یافتن مدل الگوریتم یادگیری سه فاز طی می­گردد. فاز اول تعلیم به کمک داده‌های آموزشی است که  با استفاده از داده‌های که در اختیارداریم مدل را تعلیم داده و تعلیم دادن مدل به معنای یافتن مناسب‌ترین پارامتر­ها برای مدل است و معمولاً به کمک الگوریتم­های بهینه­سازی و تابع هزینه پارامتر با کمترین خطا کشف می­شوند. فاز بعدی فاز اعتبارسنجی است که معمولاً بهترین مدل  انتخاب می­گردد و فاز آخر که فاز تست است مدل پس از تعلیم و میزان شدن پارامترهایش،­ در این فاز عملکرد آن مورد ارزیابی  قرار می­گیرد و قدرت پیشی بینی مدل بر روی‌داده‌های جدید سنجیده می­شود. یادگیری ماشین راه طولانی را طی کرده است تا بخشی از زندگی روزمره امروزی ما شود. امروزه رد پای آن‌ها را می­توان از دستیارهای شخصی در تلفن‌های همراه مانند: سیری در تلفن هوشمند شرکت اپل و کورتانا در ویندوزفون های شرکت مایکروسافت تا برنامه‌های کاربردی امنیتی سایبری مشاهده کرد. اما امروزه مدل قدرتمندتری از یادگیری ماشین به نام یادگیری عمیق مورداستفاده قرارگرفته است. فاز تعلیم مهم‌ترین واصلی‌ترین بخش در شبکه­های یادگیری عمیق است که یادگیری عمیق را متمایز کرده است. یادگیری عمیق به‌طور چشم‌گیری در بسیاری از فرایندها ازجمله، تشخیص گفتار، تشخیص چهره، تشخیص اشیاء و زمینه‌های دیگر مانند کشف ژنوم کاربرد دارد. ازجمله مدل­های شبکه عصبی عمیق می­توان به الگوریتم‌های خود رمزنگار، شبکه باور عمیق، شبکه عصبی کانولوشنی ، شبکه عصبی بازگشتی را نام برد. ازجمله مزایای یادگیری عمیق می­توان استخراج خودکار ویژگی‌ها در داده­های پیچیده و با ابعاد بالا ، دقت بسیار بالا، و قدرت تعمیم بالا آن نام برد. الگوریتم یادگیری شبکه کانولوشنی به پردازش داده‌های اصلی و خام محدود می­شود ، چند دهه است که سیستم یادگیری ماشین نیازمند روشی است که از داده‌های خام با ابعاد سیار بالا  مانند تصاویر بتواند برداری از ویژگی‌ها را استخراج کند تا الگوریتم بتواند با استفاده از این ویژگی‌ها دسته‌بندی‌ها را انجام دهد. مهم‌ترین جنبه در یادگیری عمیق آن است که این ویژگی‌ها توسط انسان­ها طراحی نشده­اند بلکه الگوریتم‌های یادگیری عمیق این ویژگی‌ها را از داده­ها استخراج می­کنند. یادگیری عمیق برای مسائلی که به کمک روش‌های یادگیری ماشین بهترین عملکرد خود را نشان نداده­اند مزایای بسیاری دارد. همچنین در تشخیص الگوهای پنهان در داده­های با ابعاد بالا بسیار قدرتمند عمل کرده است. به‌طورکلی با رشد و پیشرفت فناوری اطلاعات ، داده‌ها نرخ رشد افزایشی داشته‌اند و از طرفی دانش پنهان‌شده در این داده‌ها به سازمان­ها  و شرکت‌ها کمک کرده است تا گام بعدی خود را برای رسیدن به اهداف خود را صحیح بردارند که یادگیری ماشین سهم عظیمی  در کشف و استخراج روابط پنهان در داده­ها دارد و هنگامی‌که داده­ها ابعاد بالاتری پیداکرده‌اند  یادگیری عمیق پیشی گرفته و دانش با دقت و حساسیت بالاتری استخراج می­گردد.