A neurális hálózatok súlyozása a hálózat paramétereinek (súlyok és bias értékek) beállítását jelenti annak érdekében, hogy a hálózat a tanító adathalmazra illeszkedjen és a kívánt kimeneteket generálja.
A súlyok és a bias értékek meghatározzák, hogy a hálózat milyen módon kombinálja és számítja ki a bemeneti adatokat a kimenet előrejelzéséhez. A neurális hálózatban minden neuron kapcsolódik más neuronokhoz, és ezeknek a kapcsolatoknak a súlyai befolyásolják, hogy milyen mértékben veszik figyelembe az adott neuron kimenetét.
A tanítás során a neurális hálózatok súlyait iteratív módon optimalizálják, hogy a hálózat minél jobban illeszkedjen a tanító adathalmazhoz. Ez általában a háttérben zajló algoritmusokkal történik, például a hátrafelé terjeszkedő (backpropagation) algoritmussal és a gradiensdescent módszerrel. A súlyok beállítása a tanítási folyamat során történik, és a cél az, hogy a hálózat előrejelzései minél közelebb legyenek a valós kimenetekhez.
A predikciók kiszámítása a neurális hálózat kimeneti értékeinek meghatározását jelenti, amikor adott bemeneti adatokra alkalmazzuk a tanított hálózatot. A hálózat a bemeneti adatokat átviszi az előre definiált rétegeken, ahol a súlyokat alkalmazva és a rejtett rétegek aktivációját számítva előállítja a kimeneti értékeket. Ezek a kimeneti értékek lehetnek osztálycímkék, valószínűségek vagy numerikus értékek, amelyek a modell általános feladataitól függnek.
A predikciók kiszámítása során a neurális hálózat a tanítási folyamat során optimalizált súlyokat használja, és az előre definiált aktivációs függvényeket alkalmazva adja ki a kimeneti értékeket. Az előrejelzések alapján a hálózat döntéseket hozhat vagy további feldolgozást végezhet a kimeneti adatokon.