Нейронные сети. 
Теория принятия решений

Это большой класс систем, архитектура которых имеет аналогию с построением нервной ткани из нейронов. В одной из наиболее распространенных архитектур — многослойном персептроне с обратным распространением ошибки — имитируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя. На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать решения, прогнозировать развитие ситуации и т. д. Эти значения рассматриваются как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ — реакция всей сети на введенные значения входных параметров.

Для того чтобы сеть можно было применять, ее прежде надо обучить на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. Тренировка состоит в подборе весов межнейроииых связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам.

Основным недостатком нейросетевой парадигмы является необходимость иметь очень большой объем обучающей выборки с правильными ответами, хотя современные хранилища знаний относительно легко позволяют делать эго. Другой существенный недостаток заключается в том, что даже обученная нейронная сеть представляет собой классический черный ящик, получающий на входе начальные условия, каким-то образом их обрабатывающий и выдающий на выходе прогноз. Действительно, знания, зафиксированные как веса нескольких сотен межнейронных связей, практически не поддаются анализу и интерпретации человеком.

Примеры используемых нейросетевых систем — BrainMaker, NeuroShell, OWL.