فلسفهٔ اصلی شبکهٔ عصبی مصنوعی، مدل کردن ویژگی‌های پردازشی مغز انسان برای تقریب زدن روش‌های معمول محاسباتی با روش پردازش زیستی است. به بیان دیگر، شبکهٔ عصبی مصنوعی روشی است که دانش ارتباط بین چند مجموعهٔ داده را از طریق آموزش فراگرفته و برای استفاده در موارد مشابه ذخیره می‌کند. این ارایه شامل فهرست زیر می شود:

مقدمه

شبکه عصبی چیست؟

شبکهعصبی چه قابلیتهائی دارد؟

مسائل مناسب برای یادگیری شبکه های عصبی

یادگیری یک پرسپترون

توانائیپرسپترون

توابعی که پرسپترون قادر به یادگیری آنها میباشد

توابع بولی و پرسپترون

اضافه کردن بایاس

آموزش پرسپترون

قانون پرسپترون

قانون دلتا Delta Rule

الگوریتم gradient descent

بدست آوردن قانون gradient descent

مشکلات روش gradient descent

تقریب افزایشی gradient descent

شبکه های چند لایه

یک سلول واحد

تابع سیگموئید

الگوریتم Back propagation

الگوریتم BP

انتشار به سمت جلو

انتشار به سمت عقب

شرط خاتمه

افزودن ممنتم

قدرت نمایش توابع

فضای فرضیه و بایاس استقرا

قدرت نمایش لایه پنهان

قدرت تعمیم و overfitting

دلایل رخ دادن overfitting

شبکه چه چیزی را یاد میگیرد؟

مثالی از تنوع ارقام دستنویس

انواع اتصالات شبکه

انواع مختلف یادگیری

اعمال Backpropagation به تشخیص اشیا