Neural Networks เป็นโมเดลการเรียนรู้เชิงลึก (Deep Learning) ที่เทียบเท่ากับโครงข่ายประสาทในสมองของมนุษย์ เนื้อหาหลักสำคัญๆ ของ Neural Networks คือการออกแบบโมเดลเพื่อแก้ไขปัญหาที่ซับซ้อนด้วยการเขียนกฏ (rule-based approach) โดยดำเนินการไปทางการเรียนรู้แบบอัตโนมัติจากข้อมูล โดยมีชั้น (layer) ของเซลล์ประมวลผล (neuron) ซึ่งทำงานเชื่อมโยงกันเป็นเครือข่ายเพื่อทำงานเหมือนชนิดของการประมวลผลของมนุษย์
หลักการในการทำงานของ Neural Networks คือการรับข้อมูลเข้าสู่ชั้น Input Layer แล้วผ่านการประมวลผลโดยการคูณค่า input ด้วยเวทเทคนิค (weight) และบวกด้วยค่าตัวหน่วง (bias) เพื่อหาผลลัพธ์แล้วส่งออกมาผ่านชั้น Output Layer โดยการปรับค่า weight และ bias ในแต่ละชั้น (hidden layer) จะทำให้โมเดลมีประสิทธิภาพสูงขึ้น
Neural Networks นั้นมีความสามารถในการแยกแยะข้อมูลที่มีความซับซ้อน โดยที่ไม่จำเป็นต้องระบุกฏการทำงานด้วยตนเอง และสามารถใช้ได้กับหลายประเภทของงาน เช่น การจำแนกภาพ (Image Classification) หรือการแปลความหมายของข้อความ (Natural Language Processing) เป็นต้น วิธีการปรับค่า weight และ bias ใน Neural Networks จะใช้วิธีการ Gradient Descent ซึ่งเป็นวิธีการปรับค่าน้ำหนักและ bias โดยใช้ Gradient ของ Loss Function ของโมเดลเป็นตัวชี้วัดของประสิทธิภาพของโมเดล