人工智能研究的方向之一，是以所谓 “专家系统” 为代表的，用大量 “如果-就” （If - Then） 规则定义的，自上而下的思路。
　　人工神经网络 （ Artifical Neural Network），标志着另外一种自下而上的思路。
　　神经网络没有一个严格的正式定义。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。
　　
 
　　一个计算模型，要划分为神经网络，通常需要大量彼此连接的节点 （也称 ‘神经元’），并且具备两个特性：
　　每个神经元，通过某种特定的输出函数 （也叫激励函数 activation function），计算处理来自其它相邻神经元的加权输入值
　　神经元之间的信息传递的强度，用所谓加权值来定义，算法会不断自我学习，调整这个加权值
　　在此基础上，神经网络的计算模型，依靠大量的数据来训练，还需要：
　　成本函数 （cost function）：用来定量评估根据特定输入值， 计算出来的输出结果，离正确值有多远，结果有多靠谱
　　学习的算法 （ learning algorithm ）：这是根据成本函数的结果， 自学， 纠错， 最快地找到神经元之间最优化的加权值
　　用小明、小红和隔壁老王们都可以听懂的语言来解释，神经网络算法的核心就是：计算、连接、评估、纠错、疯狂培训。
　　随着神经网络研究的不断变迁，其计算特点和传统的生物神经元的连接模型渐渐脱钩。
　　但是它保留的精髓是：非线性、分布式、并行计算、自适应、自组织