神经网络是一系列算法，旨在通过模仿人脑工作方式的过程来识别一组数据中的基本关系。在这种方法中，神经网络定义了有机的或人工的神经元系统。
神经网络是在认知系统中的（假设的）学习过程和大脑的神经功能之后建模的分析技术，并且能够在实施所谓的从现有的学习过程之后从其他观察中预测新的观察（关于特定变量）信息。神经网络是数据挖掘技术之一。
神经网络是一系列算法，通过模仿人脑操作技术的过程，努力识别一组数据中的基本关系。从这个意义上说，神经网络定义了神经元系统，例如有机的或人工的。
神经网络在预测变量（独立变量、输入）和预测变量（依赖变量、输出）之间存在关系的几乎所有情况下都是相关的，即使这种关系很难用“相关性”的一般术语来表达或“群体之间的差异”。
神经网络是用于识别模式实例的模拟神经元网络。神经网络通过搜索网络权重区域来理解。
神经网络是一组链接的输入/输出单元，其中每个链接都有与其相关的权重。在学习过程中，网络通过调整权重来学习，以便能够预测输入样本的准确类别标签。由于单元之间的连接，NN学习也被称为连接学习。
神经网络需要很长的训练项目，它们因其可解释性差而受到审查，因为按照学习权重解释符号含义很复杂。这些特征最初创建的神经网络对数据挖掘不那么有吸引力。
神经网络包括它们对噪声数据的高容忍度以及它们对未经训练的模式进行分类的能力。已经开发了各种算法来从训练有素的神经网络中提取规则。这些元素有助于神经网络在数据挖掘中进行分类的便利性。
在工程中，神经网络提供两个重要的功能，即模式分类器和非线性自适应滤波器。人工神经网络是一个灵活的、最常见的非线性系统，它理解从数据中实现一个功能（输入/输出映射）。自适应定义了系统参数在运行期间进行转换，通常称为训练阶段。
在训练阶段之后，人工神经网络参数保持不变，系统设置为解决手头的问题（测试阶段）。人工神经网络是通过系统的分步阶段开发的，以增强性能测试或遵循一些隐含的内部约束，这通常被定义为学习规则。