Искусственные нейронные сети (ИНС) — сети, в качестве вершин которых выступают искусственные нейроны (ИН). ИНС осуществляет преобразование вектора входных сигналов (воздествий) в вектор выходных сигналов . Интепретация векторов и зависит от постановки решаемой задачи и предметной области. ИНС в настоящее время рассматривается как грубая (первого приближения) модель мозга человека и других живых существ. ИНС нашли применение в следующих областях.
Основные достоинства ИНС состоят в следующем:
Основной строительный блок ИНС — искусственные нейроны.
Искусственный нейрон
Считается, что искусственный нейрон имитирует поведение природной нервной клетки мозга.
Обобщенная схема ого нейрона представлена на рис. 1.
Рис. 1.  Обобщенная структурная схема искусственного нейрона
Здесь вектор входных сигналов (воздействий, синапсов (биолог.)) нейрона; — константный "псевдосигнал", называемый сигналом поляризации или, просто, поляризатором. В общем случае — действительные числа, возможно, размерные, но чаще нормированные. Во многих моделях ИН дискретны и могут принимать значения из множеств или . В некоторых реализациях — комплексные числа.
— вектор весов входных сигналов -ого нейрона (в общем случае, действительные числа). Веса входных сигналов используются для вычисления взвешенной суммы входных сигналов -ого ИН по формуле

Вес для размерного входного сигнала имеет обратную к нему размерность. Например, если имеет размерность [кг], то размерность — [кг-1].
Взвешенная сумма входных сигналов служит аргументом функции активации ИН , определяющей значение выходного сигнала .
В простейших однослойных (без обратных связей и каскадов) сетях входные сигналы нейрона — входные сигналы сети в целом, а выходные сигналы нейрона — выходные сигналы сети в целом. В многослойных сетях роль входных сигналов некоторых нейронов играют выходные сигналы предыдущих слоев ИНС.
Как уже упоминалось ранее, одним из типичных назначений искусственных нейронов и сетей на их основе является классификация и распознавание векторов входных сигналов . В такой задаче вычисленное по входному вектору значение определяет принадлежность входного вектора тому или иному -му классу. Например, в качестве значений входного вектора могут выступать биометрические данные пациента (температура тела, кровяное давление, концентрация красных кровяных телец в крови и т.п.), тогда выходной сигнал нейрона может определять степень уверенности в наличии у пациента болезни .
Понятно, что степень успеха в классификации отдельным ИН и сетью в целом зависит, в общем случае, от "правильности" подбора/назначения весовых коэффициентов и функции активации . Однако, в практических ИНС, как правило, функции активации назначаются однократно и варьированию не подлежат. Таким образом, объектом подбора служат только весовые коэффициенты .
Для отыскания наилучших с точки зрения решения задачи классификации входных векторов значений элементов вектора необходимо обучение ИН и обучение ИНС в целом, предваряющее собственно этап классификации. Различают два основных режима обучения: "с учителем" и "без учителя".
При обучении с учителем ИНС предъявляют набор пар векторов , где — номер пары в наборе ( = 1, 2, ..., ). -ый вектор ожидаемых значений выходных сигналов нейронов (в количестве ), составляющих сеть. Для одиночного ИН . Обучение с учителем предполагает априорное знание о принадлежности векторов входных сигналов различным классам.
Обучение без учителя предполагает предъявление нейронной сети (отдельному ИН) "типичного" набора векторов входных сигналов , =1, 2, ..., , при этом сеть (отдельный ИН) должна самостоятельно решить задачу кластеризации (определения количества классов и признаков принадлежности к ним).