Neuronale Netze, besser gesagt, künstliche neuronale Netze (KNN), sind ein Teilgebiet der KI (Künstlichen Intelligenz).
Bei neuronalen Netzen handelt es sich um ein Verfahren aus dem Bereich des maschinellen Lernens. Ihr Aufbau ist an die Arbeitsweise eines biologischen Gehirns angelehnt. Ein KNN besteht aus Neuronen. Die Neuronen sind (vereinfacht gesagt, es gibt auch andere Varianten) in Schichten angeordnet.
In jeder Schicht gibt es eine bestimmte Anzahl von Neuronen. Jedes Neuron einer Schicht ist mit den Neuronen der vorherigen bzw. nachfolgenden Schicht verbunden. Jedes Neuron kann Daten aufnehmen, sie transformieren und wieder ausgeben. Je nach Schicht, werden die Eingangsdaten (Eingangsschicht) einer Datenanalyse aufgenommen oder aber die Ergebnisse der vorhergehenden Schicht. Genauso werden die Ausgangsdaten an die nächste Schicht weitergegeben oder aber (Ausgabeschicht) das Endergebnis liegt vor.
Schichten zwischen Eingangs- und Ausgabeschicht werden versteckte Schichten genannt.
Eine Neuron ist nichts anderes, als eine mathematische Funktion, die alle eingehenden Daten verarbeitet (z.B. summiert), hierbei noch ein Gewicht (Faktor) der jeweiligen Eingabe berücksichtigt und anhand des Funktionsergebnisses mittels einer weiteren Funktion entscheidet, was es als Ausgabe des Neurons weiterleitet.
Die verwendeten Funktionen sowie Anzahl, Größe und Verbundenheit der Schichten sind durch die sog. Netztopologie vorgegeben.
Die Gewichte der Verbindungen hingegen sind parametrisiert. Die optimale Einstellung der Gewichte ist Gegenstand des Training des Netzes bzw. der Lernphase.