neuronska mreža (engleski artificial neural network, akronim ANN), računalni model koji funkcionira na način nalik prirodnoj neuronskoj mreži u mozgu; sustav međusobno povezanih elemenata (umjetnih neurona) koji služi za raznovrsna izračunavanja i rabi se u području umjetne inteligencije za rješavanje složenih zadataka poput prepoznavanja obrazaca u velikim skupovima podataka, klasifikacije i donošenja odluka.
Model umjetnoga neurona kao osnovnog elementa mreže sastoji se od zbrajala na koje je povezan određen broj ulaznih veza. Ulazne vrijednosti pojedinih ulaza množe se prije zbrajanja s pripadajućim težinskim faktorom. Dobiveni rezultat zbrajanja ulazna je vrijednost odabrane prijenosne funkcije neurona, a obrađeni rezultat izlazna vrijednost neurona. Nakupine neurona međusobno su spojene tako da izlazne vrijednosti jednoga neurona postaju ulaznim vrijednostima drugih, te zajedno tvore neuronsku mrežu. Neuroni se obično slažu u pravilne strukture, čvorove i slojeve. Uobičajeno se u strukturi uspostavljaju ulazni sloj neurona, izlazni sloj i jedan ili više unutarnjih (skrivenih) slojeva. Duboku neuronsku mrežu, tj. algoritam dubokog učenja čini velik broj slojeva. Ulazne vrijednosti neurona ulaznoga (prvog) sloja ulazne su vrijednosti cijele mreže, dok su izlazne vrijednosti neurona izlaznoga (posljednjeg) sloja ujedno i izlazne vrijednosti mreže. Već prema zadaći, odabire se struktura (arhitektura) mreže a potom se prilagođuju težinski faktori pojedinih veza. To je prilagođivanje učenje mreže. Nadzirano strojno učenje nastaje kad se na ulaze mreže dovodi niz ulaznih vrijednosti za koje su unaprijed poznate izlazne vrijednosti, pa se težinski faktori prilagođuju kako bi se izlazne vrijednosti mreže, što je moguće više, približile unaprijed poznatima.
Duboko učenje rabi neuronske mreže s velikim brojem slojeva kako bi bili obrađeni složeni obrasci i prepoznata svojstva podataka na različitim razinama apstrakcije. Primjerice, pri analiziranju slike, plići slojevi neuronske mreže prepoznaju osnovne oblike (npr. rubove i kružnice), dok dublji slojevi prepoznaju složenije strukture (npr. oblik lica i složenu teksturu). Pri dubokom učenju neuronska mreža širenjem unatrag (backpropagation) i iterativnim prilagođavanjem optimizira svoje težinske faktore (minimizira greške parametara), čime postaje sve preciznija u prepoznavanju obrazaca. Duboko učenje zaslužno je za napredak u područjima kao što su računalni vid, obradba prirodnog jezika i prepoznavanje govora.
Neuronske se mreže primjenjuju u zadaćama u kojima uobičajeni računalni sustavi ne daju dovoljno dobre rezultate. Najpoznatije su primjene računalnoga vida klasifikacija predmeta, prepoznavanje lica, dijagnostika medicinskih slika; analize jezika prevoditelji i chatbootovi; analize zvuka govorni asistenti; spregnutoga učenja analiza proteina.
