人工神經網路簡稱神經網路或類神經網路，在機器學習和認知科學領域，是一種模仿生物神經網路的機構（尤其是動物的大腦），透過數學模型或計算模型對函式進行估計或近似。

舉個例子：

當我們要買芒果的時候，並不知道什麼樣的芒果才好吃，那麼只有將所有的芒果都嘗一遍之後，才會總結出個頭大、顏色深、黃色的芒果比較好吃。

機器的學習也是一樣的，讓機器“嘗”一遍所有的“芒果”，讓機器去總結一套規律（比如：個頭大、顏色深、黃色）這就是機器學習。操作如下：人描述給機器每個“芒果”的特徵（比如：顏色、大小，軟、硬等等），讓機器嘗試一下“芒果”是否好吃、味道如何並將結果輸出，慢慢的機器就會總結出一套識別“芒果”好不好吃的規則。

生物的神經元細胞的結構很簡單，中間一隻球形的細胞體，一頭有許多細小而密集的神經纖維分支（樹突）用來接收其他神經元傳遞過來的訊號；另一頭是一根長長的凸起纖維（軸突）用來將自己的訊號傳給其他的神經元。軸突的末端會分出許多樹杈，連線其他神經元的樹突或軸突。

大腦思考時，各個樹突會接收到其他神經元細胞發出的電化學刺激脈衝，當這些脈衝疊加到一定程度時，神經元就會產生動作電位，動作電位沿著軸突的一個郎飛結跳到下一個郎飛結。

這種電訊號並不會隨著距離衰減，因為每跳一次，郎飛結的電壓門控通道就會開啟一次，細胞膜內外帶正電荷的鈉鉀離子透過鈉鉀泵交換後，膜電位就會發生變化，這樣就可以完成下一跳。

在人工神經網路中，簡單的人工節點稱為神經元，連線在一起形成一個類似生物神經網路的網狀結構。

模型化後，每個節點對應多個輸入，同時會產生多個輸出，每個輸入對應有不同的權重，透過大量資料訓練這個模型後，模型就會形成一定的固定路線，也就如我們的電腦掌握了某項技能。

人工神經網路相當於求一道數學題，在大量輸入項的情況下求所有連線上的權重值，使得對於輸入進過各層節點的權重運算後能近似接近我們需要的期望值。

在資料量很少的時候很容易透過函式求得不唯一的解，甚至可以找到其中某一個完全解，但隨著資料量的增加以及噪點的增加函式變得無解了。我們就需要透過神經網路求得一組近似解使得所有樣本經過運算後都接近實際值。

舉個例子：

假如輸入只有一個維度，相當於在螢幕上有一堆點，當一條線能靠近絕大部分的點，那麼這條線逼近這堆點。

人工神經網路並不是盲目的調整權重引數，而是依據均方差的函式曲線，尋找均方差的最小值。

人工神經網路與生物神經網路的相似之處在於可以集體地、並行的處理，而不需要描述每個單元的特定任務。在神經網路的現代軟體實現中，生物學啟發已經很大程度上被拋棄了，取而代之的是基於統計學和訊號處理的更加實用的方法。