Mạng nơ-ron nhân tạo (Artificial Neural Network) là một hệ thống dựa trên chức năng của mạng nơ-ron sinh học. Nó là một mô phỏng của hệ thống nơ-ron sinh học. Đặc điểm của mạng nơ-ron nhân tạo là có nhiều cấu trúc, đòi hỏi nhiều phương pháp thuật toán, nhưng bất kể là hệ thống phức tạp, một mạng nơ-ron là đơn giản.
Các mạng này nằm giữa các khoa học xử lý tín hiệu cụ thể trong hộp công cụ của người điều hành. Không gian là rất đa ngành (interdisciplinary), nhưng kỹ thuật này sẽ giới hạn quan điểm ở góc độ kỹ thuật.
Trong kỹ thuật, mạng nơ-ron tạo ra hai chức năng thiết yếu như bộ phân loại mẫu (pattern classifiers) và bộ lọc thích ứng phi tuyến (non-linear adaptive filters). Một mạng nơ-ron nhân tạo là động (dynamic), nó cung cấp một hệ thống phi tuyến học thực hiện một hàm (bản đồ đầu vào/đầu ra) từ dữ liệu. Thích ứng (Adaptive) đại diện cho các tham số hệ thống thay đổi trong vận hành, thường gọi là giai đoạn huấn luyện (training phase).
Sau giai đoạn huấn luyện, các tham số mạng nơ-ron nhân tạo được cố định và hệ thống sẵn sàng giải quyết vấn đề tại hand (giai đoạn kiểm tra - testing phase). Mạng nơ-ron nhân tạo được tạo ra với một quy trình từng bước có hệ thống (systematic step-by-step procedure) để cải thiện bài kiểm tra hiệu suất hoặc tuân theo một số ràng buộc nội bộ xác định, thường được mô tả là quy tắc học (learning rule).
Dữ liệu huấn luyện đầu vào/đầu ra (input/output training data) là thiết yếu trong công nghệ mạng nơ-ron vì chúng gửi thông tin thiết yếu để "tìm" điểm vận hành tối ưu. Các đặc điểm phi tuyến (non-linear) của các yếu tố xử lý nơ-ron (PEs) cung cấp cho hệ thống nhiều khả năng thích ứng để học gần như mọi bản đồ đầu vào/đầu ra mong muốn, tức là một số mạng nơ-ron nhân tạo là người vẽ bản đồ rộng (broad mapmakers).
Đầu vào được trình bày cho mạng nơ-ron và phản hồi mong muốn hoặc tập trung (target response) giống nhau được đặt tại đầu ra (khi đây là phương pháp huấn luyện được gọi là có giám sát - supervised).
Một lỗi (error) bao gồm sự khác biệt giữa phản hồi bắt được (captured response) và đầu ra hệ thống. Bản ghi lỗi này được phản hồi ngược (fed back) đến hệ thống và liên tục điều chỉnh các tham số hệ thống (quy tắc học - learning rule). Quá trình được lặp lại cho đến khi hiệu suất hiệu quả. Rõ ràng từ biểu diễn này rằng hiệu suất phụ thuộc dày đặc vào thông tin.
Mạng có thể dùng các phương pháp hàm kích hoạt (activation functions) khác ngoài hàm sign (sign function). Có một số hàm kích hoạt như tuyến tính (linear), sigmoid (logistic), và hyperbolic tangent (hàm hyperbolic tangent).
Các hàm kích hoạt này cho phép các nút ẩn và đầu ra tạo ra các giá trị đầu ra phi tuyến trong các tham số đầu vào của chúng. Những phức tạp hơn này cho phép mạng nơ-ron đa lớp mô hình hóa các mối quan hệ phức tạp hơn giữa biến đầu vào và đầu ra.
Đầu ra của một ANN là một hàm phi tuyến của các tham số của nó do sự xuất sắc của các hàm kích hoạt như sigmoid hoặc tanh function. Theo đó, không còn đơn giản để suy ra giải pháp cho w được chứng thực là tối ưu toàn cầu.