Sügavad usuvõrgud (deep belief networks, DBN) on mitmest üksteise peale laotud kihist koosnevad närvivõrgud, mida eeltreenitakse esmalt kiht kihi haaval juhendamata, tavaliselt nn piiratud Boltzmanni masinatena. Geoffrey Hinton ja tema kolleegid tutvustasid meetodit 2006. aastal; see näitas, et sügavaid võrke saab tõhusalt treenida, ning aitas seega kaasa süvaõppe tõusule. Praktikas on DBN-id sellest ajast suuresti asendunud muude arhitektuuridega.
Süvaõpe on masinõppe haru, mis kasutab paljude kihtidega tehisnärvivõrke. Sellised võrgud õpivad suurtest andmehulkadest ise, millised tunnused on olulised – piltidel servadest, tekstides tähenduslike seosteni. Süvaõpe on tänapäevaste keelemudelite, pildituvastuse, kõnetuvastuse ja masintõlke aluseks ning vajab tavaliselt märkimisväärset arvutusvõimsust ja treeningandmeid.
Tehisnärvivõrgud (artificial neural networks, ANN) on arvutusmudelid, mis koosnevad paljudest ühendatud üksustest („neuronitest“), mis on paigutatud kihtidesse ja töötlevad sisendeid kaalutud ühenduste kaudu. Treenimise käigus kohandatakse kaalusid samm-sammult näidete põhjal, tavaliselt tagasilevi (backpropagation) abil. ANN-id on süvaõppe alus ja annavad jõudu pildituvastusele, kõnetuvastusele ning suurtele keelemudelitele. Hoolimata bioloogilisest eeskujust töötavad need palju lihtsamalt kui inimese aju.
Juhendamata õppes saab mudel andmeid ilma etteantud õigete vastusteta ja otsib ise struktuure. Tüüpilised meetodid on klasterdamine, mis rühmitab sarnased kirjed, ja mõõtmelisuse vähendamine, mis tihendab paljud tunnused mõneks põhiliseks. Organisatsioonid kasutavad seda kliendisegmentide avastamiseks või ebatavaliste tehingute märkamiseks; leitud rühmi peavad seejärel tõlgendama valdkonnaeksperdid.
