یادگیری عمیق گونه ای از یادگیری ماشینی است که از لایه های متعدد تبدیلات خطی به منظور پردازش سیگنال های حسی مانند صدا و تصویر استفاده می کند. ماشین در این روش مفاهیم پیچیده را به مفاهیم ساده تری تبدیل میکند و با ادامه این روند به مفاهیم پایه ای میرسد. اعتقاد بر این است که یادگیری عمیق به عنوان یک ابزار مناسب برای استخراج مفهوم از حجم بسیار بزرگی از داده ها که کلان داده نامیده می شوند، کاربرد دارد. یک ویژگی مهم کلان داده سرعت می باشد، که به این معنی است که یادگیری باید افزایشی باشد زیرا داده ها به سرعت جمع می شوند. یادگیری عمیق باید سریع و دقیق عمل کند، به همین خاطر طراحی شبکه عصبی که در زمانی معقول آموزش داده شود و دقیق عمل کند یک چالش محسوب می شود. به همین جهت از الگوریتم های فرا ابتکاری استفاده می شود. در این مقاله به بررسی الگوریتم های فراابتکاری برای بهینه سازی شبکه عصبی در زمینه تحلیل کلان داده ها می پردازیم.