Die stetig wachsende Anzahl komplexer Datensätze im Jahr erfordert fortlaufend verbesserte maschinelle Lernmethoden zur robusten und genauen Kategorisierung dieser Daten. Dieses Papier stellt Random Multimodel Deep Learning (RMDL) vor: einen neuen Ensemble-Ansatz für tiefes Lernen in der Klassifizierung. Tiefelernende Modelle haben in vielen Bereichen erstklassige Ergebnisse erzielt. RMDL löst das Problem der Bestimmung der optimalen Struktur und Architektur des tiefen Lernens, während es gleichzeitig die Robustheit und Genauigkeit durch Ensembles von tiefelernenden Architekturen erhöht. RMDL kann verschiedene Arten von Eingabedaten verarbeiten, darunter Text, Video, Bilder und symbolische Daten. Das Papier beschreibt RMDL und zeigt Testergebnisse für Bild- und Textdaten, einschließlich MNIST, CIFAR-10, WOS, Reuters, IMDB und 20newsgroup. Diese Testergebnisse belegen, dass RMDL über einen breiten Spektrum an Datentypen und Klassifikationsproblemen hinweg konsistent bessere Leistungen als herkömmliche Methoden erbringt.