Neuronale Netze sind ein essenzieller Bestandteil der meisten Anwendungen Künstlicher Intelligenz. Sie stellen komplexe Algorithmen und mathematische Modelle dar, die wesentlich auf statistischen Prinzipien und Wahrscheinlichkeitsberechnungen beruhen. Sie orientieren sich in ihrer Funktionsweise und ihrem Lernverhalten am menschlichen Gehirn. Dies erklärt auch ihre Bezeichnung. Sie finden Anwendung in verschiedenen Bereichen, wie etwa autonomem Fahren, medizinischer Diagnostik und Spracherkennung. Mittlerweile gibt es rund 100 verschiedene Modelle von Neuronalen Netzen, je nach Anwendungszweck. Ein neuronales Netzwerk besteht aus Neuronen (Knoten, engl.: Neurons) und Schichten (engl.: Layers). Die Neuronen in einem Netzwerk sind über gewichtete (weighted) Verbindungen mit Neuronen in benachbarten Schichten verbunden. Diese Gewichtungen und die Voreingenommenheit (Bias = ein definierter Schwellenwert) eines jeden Neurons beeinflussen, wann es aktiviert wird – d.h. auf Dateneingaben reagiert – und somit in welchem Maße es zum Endergebnis beiträgt. Die Gewichtungen und die Voreingenommenheit werden im Verlauf des Trainingsprozesses erlernt, wobei sehr große Mengen an Trainingsdaten verwendet werden. Menge und Qualität der verfügbaren Trainingsdaten beeinflussen ganz erheblich die Genauigkeit der erzielten Ergebnisse.