神经，是我们每个人人都有的一个器官组成部分，而电脑他也有属于自己的神经，在现在的信息技术中，神经网络是一个系统的硬件或软件，在我们人类做完手术后神经元就在我们人类的大脑里。神经网络---也成为人工神经网络是用来各种各样的深度学习技术。现在商业也都在应用这些技术。不过他们通常专注于解决复杂信号的处理或者模式识别的问题，自2000年以来巨大的商业应用的例子包括手写识别进行检查处理，语音转录，石油勘探数据分析，天气预报和面部识别。
一个神经网络通常涉及到大量的处理器和按层进行操作，第一层接收原始输入信息----类似于人类视觉处理是神经，每一层接受的输出层前，而不是从原始输入神经元，以同样的方式进一步从视神经接收信号的接近它，最后一层是产生的输出系统。
每个处理节点都有自己的小领域，包括它所看到最初编程或开发的任何规则，层的高度是相互关联的，这意味着每个节点将连接到许多层的节点N-1------其输入层（N+1），他提供了输入的节点，可能有一个或多个节点在输出层，答案就可以读出它并产生。
神经网络是引人注目的，这意味着他们修改了自己学习的方式从最初的培训和后续的运行提供更多关于世界的信息，最基本的学习模式以加权到输入流，这是每个节点权重的重要性，从每个输入的前辈输入有助于正确答案加权的提高。
通常，最初训练神经网络，或美联存储大量的数据，培训包括提供输入和告诉网络输出应该是什么，例如，建立一个网络确定演员的面孔，最初的训练可能是一系列的演员的照片，从开头，面具，雕像，动作等等。每个输入伴随着匹配识别,如演员的名字，“不是演员”或者“不是人”信息，提供答案允许模型调整其内部权重学习如何更好地去做它的工作。例如，如果节点是大卫，戴安和厄尼达科他告诉节点当前输入图像是布拉德.皮特的照片，但节点杜兰戈说贝蒂是白色和培训项目证实了皮特，厄尼将减少重量和分配杜兰戈，将重量输入和增加重量给大卫，戴安和达科塔。
在定义的规则的同时做出决定，也就是说，每个节点决定做些什么它将发送到下一个层基于从以前自己的输入层里，神经网络有属于它自己的使用原则。基于这些包括梯度训练，模糊逻辑，遗传算法，和贝叶斯方法。他们肯呢个会得到一些基于规则对象关系的空间建模，例如，一个面部识别系统可能会指示，“眉毛上面发现的眼睛或胡子下面的鼻子。胡子上面或最旁边。”预加载规则可以使训练速度更快，是模型更加的强大。但它也建立在稼穑问题的性质的空间上面，这可能是不相关的，无益的或者是错误的，适得其反，决定什么，如果有的话，规则的构建将会是非常重要的。
神经网络有时候描述的深度，包括输入和输出之间的他们有多少层，或者模型的所谓的隐藏层。他们也可以被隐藏节点模型的数量或者多少输入和输出的每个节点。变化对经典的神经网络设计允许各种形式的层中向前或者向后传播信息。
人工神经网络首先创造为更广泛的研究工作的一部分人工智能，他们继续在那个空间是最最重要的，以及在研究人类的认识和意识。这里所讲的就是神经网络的系统。