人工神經網絡，通常簡稱為神經網絡中，計算由所述的啟發系統生物神經網絡構成動物的大腦。

人工神經網絡基于一組稱為人工神經元的連接單元或節點，它們對生物大腦中的神經元進行松散建模。每個連接，就像生物大腦中的突觸一樣，可以向其他神經元傳輸信號。人工神經元接收信號然后對其進行處理，并可以向與其相連的神經元發送信號。連接處的“信號”是一個實數，每個神經元的輸出由其輸入和的某個非線性函數計算。連接稱為邊。神經元和邊緣通常具有權重隨著學習的進行而調整。權重增加或減少連接處的信號強度。神經元可能有一個閾值，這樣只有當聚合信號超過該閾值時才會發送信號。通常，神經元聚合成層。不同的層可以對其輸入執行不同的轉換。信號從xxx層（輸入層）傳輸到最后一層（輸出層），可能在多次遍歷層之后。

人工神經網絡最初是為了嘗試利用人腦的架構來執行傳統算法幾乎沒有成功的任務。他們很快就轉向改進經驗結果，大多放棄了保持其生物學先驅的真實性。神經元以各種模式相互連接，以允許某些神經元的輸出成為其他神經元的輸入。網絡形成一個定向，加權圖。

人工神經網絡由一組模擬神經元組成。每個神經元是一個節點，通過對應于生物軸突-突觸-樹突連接的鏈接與其他節點相連。每個鏈接都有一個權重，它決定了一個節點對另一個節點的影響強度。

人工神經網絡由人工神經元組成，這些人工神經元在概念上源自生物神經元。每個人工神經元都有輸入并產生單個輸出，該輸出可以發送到多個其他神經元。輸入可以是外部數據樣本的特征值，例如圖像或文檔，也可以是其他神經元的輸出。神經網絡的最終輸出神經元的輸出完成任務，例如識別圖像中的對象。

為了找到神經元的輸出，首先我們取所有輸入的加權和，由輸入到神經元的連接權重加權。我們向這個總和添加一個偏差項。這個加權和有時被稱為激活。這個加權和然后通過一個（通常是非線性的）激活函數來產生輸出。初始輸入是外部數據，例如圖像和文檔。最終輸出完成任務，例如識別圖像中的對象。

網絡由連接組成，每個連接提供一個神經元的輸出作為另一個神經元的輸入。每個連接都被分配一個權重，代表其相對重要性。一個給定的神經元可以有多個輸入和輸出連接。

的傳播函數計算輸入到從它的前身的神經元和它們作為加權和連接的輸出神經元。阿偏壓術語可以被添加到該傳播的結果。

神經元通常被組織成多層，尤其是在深度學習中。一層的神經元僅連接到緊鄰前一層和緊隨其后的層的神經元。接收外部數據的層是輸入層。產生最終結果的層是輸出層。在它們之間是零個或多個隱藏層。也使用單層和無層網絡。在兩層之間，多種連接模式是可能的。它們可以完全連接，一層中的每個神經元都連接到下一層中的每個神經元。他們可以匯集，其中一層中的一組神經元連接到下一層中的單個神經元，從而減少了該層中的神經元數量。只有這種連接的神經元形成有向無環圖，被稱為前饋網絡。或者，允許相同或先前層中的神經元之間連接的網絡稱為循環網絡。

人工神經網絡已經發展成為一個廣泛的技術家族，這些技術在多個領域推進了最先進的技術。最簡單的類型具有一個或多個靜態組件，包括單元數、層數、單元權重和拓撲。動態類型允許通過學習來進化其中的一種或多種。后者要復雜得多，但可以縮短學習周期并產生更好的結果。某些類型允許/要求由操作員“監督”學習，而其他類型則獨立操作。有些類型純粹在硬件中運行，而另一些則是純粹的軟件并在通用計算機上運行。

一些主要突破包括：在處理視覺和其他二維數據方面被證明特別成功的卷積神經網絡；長短期記憶避免了梯度消失問題并且可以處理混合了低頻和高頻成分的信號，有助于大詞匯量語音識別，文本到-語音合成，和照片般真實的說話頭；有競爭力的網絡，諸如生成對抗網絡中多個網絡（具有不同結構）在諸如贏得游戲或在輸入的真實性方面欺騙對手等任務上相互競爭。

由于人工神經網絡具有重現和建模非線性過程的能力，因此在許多學科中都有應用。應用領域包括系統識別和控制（車輛控制、軌跡預測、過程控制、自然資源管理）、量子化學、通用游戲、模式識別（雷達系統、人臉識別、信號分類、3D重建、對象識別等）、序列識別（手勢、語音、手寫和印刷文本識別)、醫療診斷、金融（例如自動交易系統）、數據挖掘、可視化、機器翻譯、社交網絡過濾和電子郵件垃圾郵件過濾。人工神經網絡已被用于診斷多種類型的癌癥并僅使用細胞形狀信息將高侵襲性癌細胞系與侵襲性較低的癌細胞系區分開來。

人工神經網絡已被用于加速受自然災害影響的基礎設施的可靠性分析并預測基礎沉降。人工神經網絡也被用于構建地球科學中的黑盒模型：水文學、海洋建模和海岸工程、和地貌學。人工神經網絡已被用于網絡安全，目的是區分合法活動和惡意活動。例如，機器學習已被用于對Android惡意軟件進行分類，用于識別屬于威脅行為者的域和檢測構成安全風險的URL。用于滲透測試、檢測僵尸網絡、信用卡欺詐和網絡入侵的ANN系統的研究正在進行中。

人工神經網絡已被提議作為解決物理學中偏微分方程的工具并模擬多體開放量子系統的特性。在大腦研究中，人工神經網絡研究了單個神經元的短期行為，神經回路的動力學源于單個神經元之間的相互作用，以及行為如何從抽象神經模塊中產生代表完整的子系統。研究考慮了神經系統的長期和短期可塑性及其與從個體神經元到系統水平的學習和記憶的關系。