mały|354x354px| Schemat paradygmatu uczenia się cech, który można stosować zarówno do surowych danych, takich jak obrazy lub tekst, jak i do początkowego zestawu cech. Uczenie reprezentacji ma na celu szybszy trening lub lepszą wydajność w specyficznych zadaniach w porównaniu z bezpośrednim wprowadzeniem danych (por. uczenie transferowe). W kontekście uczenia maszynowego uczenie (się) cech lub uczenie reprezentacji ( lub ) to zbiór technik, które umożliwiają systemowi automatyczne odkrywanie, na podstawie surowych danych, wewnętrznych reprezentacji potrzebnych do wykrywania obiektów lub klasyfikacji. Techniki maszynowego uczenia się cech zastępują inżynierię cech (definiowanie przydatnych cech przez człowieka) i pozwalają algorytmom zarówno wyekstrahować cechy, jak i wykorzystać je do wykonania określonego zadania.
Potrzeba uczenia reprezentacji wypływa z faktu, że zadania uczenia maszynowego, takie jak klasyfikacja, wymagają danych wejściowych, które są odpowiednio przystosowane do matematycznego i obliczeniowego przetwarzania. Tymczasem dane pochodzące ze świata rzeczywistego, takie jak obrazy, nagrania wideo czy dane z czujników, rzadko pozwalają na jednoznaczne zdefiniowanie istotnych cech za pomocą z góry zaprojektowanych algorytmów.