Konvolūcijas neironu tīkls (CNN) ir neironu tīkla arhitektūra, kas īpaši piemērota attēlu datiem. Tas skenē ievadi ar maziem filtriem, pirmajos slāņos atpazīstot vienkāršas pazīmes, piemēram, malas, un dziļākajos – sarežģītākas formas. CNN daudzus gadus noteica attēlu atpazīšanas attīstību, un tos izmanto, piemēram, defektu pamanīšanai produktu fotoattēlos vai medicīnisko attēlu analīzē.
Dziļā mācīšanās ir mašīnmācīšanās nozare, kas izmanto mākslīgos neironu tīklus ar daudziem slāņiem. Šādi tīkli no lieliem datu apjomiem paši apgūst, kuras pazīmes ir svarīgas — no attēlu malām līdz nozīmes sakariem tekstos. Dziļā mācīšanās ir mūsdienu valodas modeļu, attēlu un runas atpazīšanas un mašīntulkošanas pamatā, un tai parasti nepieciešama ievērojama skaitļošanas jauda un daudz apmācības datu.
Datorredze ir MI joma, kurā datori interpretē attēlus un video. Tipiski uzdevumi ir objektu noteikšana un lokalizēšana, teksta nolasīšana attēlos un detaļu mērīšana. Šo tehnoloģiju izmanto, piemēram, kvalitātes kontrolē ražošanā, vadītāja palīgsistēmās, loģistikā un medicīniskajā attēldiagnostikā.
Attēlu atpazīšana ir datorredzes joma, kurā programmatūra nosaka, kas attēlā redzams – objekti, cilvēki, teksts, logotipi vai ainas. Tās pamatā parasti ir neironu tīkli, kas apmācīti ar lielu skaitu marķētu attēlu. Lietojumi ir no kvalitātes kontroles ražošanā un produktu fotoattēlu šķirošanas līdz medicīniskās attēldiagnostikas atbalstam. Attēlos ar cilvēkiem īpaša uzmanība jāpievērš datu aizsardzībai un iespējamai neobjektivitātei.
Mākslīgie neironu tīkli (ANN) ir skaitļošanas modeļi, kas sastāv no daudzām savienotām vienībām („neironiem”), kuras sakārtotas slāņos un apstrādā ievaddatus ar svērtiem savienojumiem. Apmācības laikā svari tiek soli pa solim pielāgoti ar piemēriem, parasti ar atpakaļizplatīšanos (backpropagation). ANN ir dziļās mācīšanās pamats, un uz tiem balstās attēlu atpazīšana, runas atpazīšana un lielie valodas modeļi. Neraugoties uz bioloģisko iedvesmu, tie darbojas daudz vienkāršāk nekā cilvēka smadzenes.
