生物学中的神经网络是相互交换信息的互连神经元。这个想法现在已经适应机器学习，被称为人工神经网络（ANN）。深度学习，这是最近的一个概念，只是几层人工神经网络相继出现。
神经网络是一组连接的输入 – 输出单元，其中每个连接具有与其相关联的权重。神经网络由形式神经元组成，这些神经元以这样的方式连接：每个神经元输出进一步用作通常更多神经元的输入，类似于生物神经元的轴突末端通过突触结合与其他神经元的树突连接。神经元的数量和它们互连的方式决定了神经网络的架构（拓扑）。关于它们的目的，可以在网络中区分输入，工作（隐藏层，中介）和输出神经元。输入和输出神经元分别代表受体和效应器，并且连接的工作神经元在它们之间产生相应的通道以传播相应的信号。这些通道在数学模型中称为路径。通过改变该路径上的神经元状态来实现沿网络路径的信号传播和信息处理。网络中所有神经元的状态形成神经网络的状态，并且与所有连接相关联的突触权重代表神经网络的配置。
神经网络在时间上逐渐发展，互连以及神经元状态正在发生变化，并且权重正在被调整。在更新这些网络属性的背景下，将神经网络的全局动态划分为三个动态并考虑网络操作的三个阶段是有用的：
1.
1。
架构（拓扑更改）：指定网络拓扑及其可能的更改。体系结构更新通常在自适应模式的框架内应用，以便在需要时为网络提供额外的神经元和连接。然而，在大多数情况下，架构动力学假设一个固定的神经网络拓扑，不再改变。
2.
2。
计算（状态更改）：指定网络初始状态及其及时更新的规则，前提是网络拓扑和配置是固定的。在计算模式开始时，输入神经元的状态被分配给网络输入，而剩余的神经元发现它们处于初始状态。所有潜在的网络输入和状态分别形成神经网络的输入和状态空间。在初始化网络状态之后，执行适当的计算。
3.
3。
自适应（配置更改）：指定网络初始配置以及网络中权重的及时调整方式。所有潜在的网络配置形成神经网络的权重空间。在自适应模式开始时，将所有网络连接的权重分配给初始配置。在初始化网络配置之后，执行适当的适配。同样地，对于计算动力学，通常可以考虑当配置是通常由微分方程描述的时间的连续函数时具有神经网络权重的连续时间演化的模型。但是，在大多数情况下，假定了离散的适应时间。
这种分类不符合神经生理学现实，因为在神经系统中所有相应的变化同时进行。上面介绍的神经网络动力学通常由初始条件和确定特定网络特征（拓扑，状态，配置）及时发展的数学方程或规则来指定。由这些规则控制的更新在神经网络的相应操作模式中执行。通过引入动力学的具体化，获得了适用于解决特定任务的各种神经网络模型。这意味着，为了指定特定的神经网络模型，足以定义其架构，计算和自适应动态。
神经网络能够对未经过训练的数据进行分类，并且在处理噪声数据时，它们比其他分类器具有更好的容差。
神经网络的一个弱点是难以解释其符号模式的输出。在这方面，其他分类器更好。神经网络允许高阶变量交互，因为它增加了连接性并且倾向于比其他学习技术更好地处理相关数据。
神经网络广泛适用于现实世界的业务问题。事实上，它们已经成功应用于许多行业。由于神经网络最适合识别数据的模式或趋势，因此它们非常适合预测或预测需求，包括：
・
销售预测
・
工业过程控制
・
客户研究
・
数据验证
・
风险管理
・
目标营销
分析师在他的工作中使用神经网络可以获得各种好处。
模式识别是一种利用数据中的信息并对其进行概括的强大技术。神经网络学会识别数据集中存在的模式。该系统是通过学习而不是编程来开发的。编程对于分析师来说要花费更多的时间，并且需要分析师指定模型的确切行为。神经网络自学数据中的模式，让分析师从事有趣的工作。
神经网络在不断变化的环境中具有灵活性
基于规则的系统或编程系统仅限于设计它们的情况 – 当条件改变时，它们不再有效。虽然神经网络可能需要一些时间来学习突然的剧烈变化，但它们在适应不断变化的信息方面非常出色。
神经网络可以构建信息模型，其中更传统的方法失败。因为神经网络可以处理非常复杂的交互，所以它们可以很容易地建模数据，这些数据难以用传统方法（如推论统计或编程逻辑）进行建模。
神经网络的性能至少与经典统计建模一样好，对大多数问题更好。神经网络构建的模型在更短的时间内更能反映数据的结构。
现在神经网络在适度的计算机硬件下运行良好。虽然神经网络是计算密集型的，但是例程已经过优化，以至于它们现在可以在个人计算机上合理地运行。它们不需要像神经网络研究早期那样的超级计算机。
神经计算存在一些局限性。关键的限制是神经网络无法以有用的方式解释它所建立的模型。分析师经常想知道为什么模型表现得如此。神经网络得到了更好的答案，但他们很难解释他们是如何到达那里的。这就是神经连接为探索输出提供了如此多的工具以及构建模型的工具上的许多操作选择的原因。通过试验不同的参数，并在文本和图形中充分探索结果，神经连接用户可以更好地理解模型的行为，并对结果更有信心。
还应该理解一些其他限制。首先，很难从神经网络中提取规则。对于那些必须解释他们对他人的回答以及参与人工智能的人，特别是基于规则的专家系统，这有时很重要。
在大多数分析方法中，您不仅可以将数据放在神经网络上并获得确定的答案，而且还必须花时间了解您要预测的问题或结果。并且，您必须确保用于训练系统的数据是适当的（即反映所涉及的因素）并且以反映因子行为的方式进行测量。如果数据不能代表问题，神经计算将不会产生良好的结果。这是一个典型的情况，“垃圾进入”肯定会产生“垃圾出”。
最后，从非常复杂的数据集中训练模型可能需要一些时间。神经技术是计算机密集型的，在没有数学协处理器的低端PC或机器上会很慢。重要的是要记住，即使系统需要更长的训练时间，结果的总时间仍然可能比其他数据分析方法更快。仅处理速度不是性能的唯一因素，神经网络不需要时间编程和调试或测试其他分析方法所做的假设。