A neurális hálózatok (neural networks) olyan mesterséges intelligencia modellek, amelyek biológiai agyunk működését modellezik. Ezek a modellek képesek komplex adatok feldolgozására és tanulásra, és széles körben alkalmazhatók az adatfeldolgozás, mintázatfelismerés és döntéshozatal területén.
A neurális hálózatok felépítése sok egységből (neuronok) és azok közötti kapcsolatokból áll. A neuronok az agysejtekhez hasonlóan információkat fogadnak a bemenetükről, ezeket feldolgozzák, majd továbbítják a kimeneti rétegeknek vagy más neuronoknak. A kapcsolatok súlyokkal vannak jelölve, amelyek meghatározzák a bemenő jelek súlyozását és azok hatását.
A neurális hálózatok két fő típusa a feedforward és a rekurrens hálózatok. A feedforward hálózatok az adatokat előre haladva feldolgozzák a rétegeken keresztül, a bemenettől a kimenetig. Ez a struktúra alkalmas például osztályozási vagy regressziós feladatokra. A rekurrens hálózatokban a rétegek között ciklikus kapcsolatok vannak, ami lehetővé teszi az időbeli függőségek vagy sorozatok modelljezését.
A neurális hálózatokat tanítani kell az adatok alapján. Az algoritmusok a bemeneti adatok és a kívánt kimenetek közötti hibát minimalizálják a súlyok finomhangolásával. A tanulás során a hálózatok képesek felismerni a mintázatokat és megtanulni az adatok reprezentációit, így képesek előrejelezni vagy osztályozni új, korábban nem látott adatokat.
A neurális hálózatok képesek megoldani különböző feladatokat, mint például képfelismerés, beszédfelismerés, termékajánlás, gépi fordítás, autonóm vezetés és még sok más. Az elmúlt években a mély neurális hálózatok, például a konvolúciós neurális hálózatok (CNN) és a rekurrens neurális hálózatok (RNN), jelentős fejlődést értek el ezeken a területeken.