神经网络是一系列算法，通过模仿人脑运作方式的过程，努力识别一组记录中的基本关系。在这种方法中，神经网络定义了神经元系统，无论是有机的还是人工的。
神经网络是仿照认知系统中的（假设）学习过程和大脑的神经功能建模的分析技术，并且能够在实施所谓的从现有的学习过程后从其他观察中预测新的观察（对特定变量）信息。神经网络是数据挖掘技术之一。
第一阶段是设计一个特定的网络架构（涉及一定数量的“层”，每层包括特定数量的“神经元”）。网络的大小和结构需要与所研究现象的性质（例如形式复杂性）相匹配。由于后者在早期阶段还不是很清楚，因此这项任务并不容易，而且往往涉及多次“试错”。
然后对新网络进行“训练”过程。在那个阶段，神经元对输入（变量）的数量应用迭代过程来调整网络的权重，以最佳地预测（用传统术语来说，可以说找到“适合”）“训练”所依据的样本数据”进行。在从现有数据集学习阶段之后，新网络已准备就绪，然后可用于生成预测。
神经网络在过去几年引起了极大的兴趣，并且正在成功地应用于金融、医学、工程、地质和物理学等不同领域的问题领域。神经网络有两个元素，如下所示 -
Power - 神经网络是非常精细的建模技术，足以对极其复杂的功能进行建模。特别是，神经网络是非线性的。多年来，线性建模一直是大多数建模领域中常用的方法，因为线性模型具有众所周知的优化策略。
易用性- 神经网络通过示例学习。神经网络用户收集代表性数据，然后调用训练算法来自动学习数据的结构。
尽管用户确实需要一些启发式知识，如如何选择和准备记录、如何选择合适的神经网络以及如何执行结果，但成功使用神经网络所需的用户知识水平远低于使用（例如）一些更传统的非线性统计方法的情况。