L'apprentissage automatique a connu récemment des développements spectaculaires qui ont suscité beaucoup d'intérêt de la part de l'industrie, du monde universitaire et de la culture populaire. Ces progrès sont dus à des percées dans le domaine des réseaux neuronaux artificiels, souvent appelés "apprentissage profond", un ensemble de techniques et d'algorithmes qui permettent aux ordinateurs de découvrir des modèles complexes dans de grands ensembles de données. L'accès accru aux données ("big data"), les cadres logiciels conviviaux et l'explosion de la puissance de calcul disponible, qui permettent l'utilisation de réseaux neuronaux plus profonds que jamais, sont à l'origine de ces percées. Ces modèles constituent aujourd'hui l'approche de pointe d'une grande variété de problèmes dans les domaines de la vision par ordinateur, de la modélisation du langage et de la robotique. L'apprentissage profond a acquis une place prépondérante dans le domaine de la vision par ordinateur lorsque les réseaux neuronaux ont commencé à surpasser d'autres méthodes dans le cadre de plusieurs tests de référence très médiatisés en matière d'analyse d'images. Le cas le plus célèbre est celui de l'Image Net Large-Scale Visual Recognition Challenge (ILSVRC) en 2012, où un modèle d'apprentissage profond (un réseau neuronal convolutif) a divisé par deux le deuxième meilleur taux d'erreur dans la tâche de classification d'images.