Das Thema der künstlichen neuronalen Netzwerke hat in den letzten 25 Jahren eine rasante Entwicklung durchgemacht und ist inzwischen ein breites und autonomes Wissenschaftsgebiet, das im Zusammenhang mit dem allgemeinen Rahmen der künstlichen Intelligenz und der intelligenten Systeme steht.

In diesem Buch werden die wichtigsten Modelle neuronaler Netzwerke systematisch beschrieben, beginnend mit dem einfachen Perzeptron-Modell eines Neurons und fortgesetzt mit mehrschichtigen Perzeptron-Netzwerken und dem Backpropagation-Trainingsalgorithmus, den Radialen Basisfunktionen (RBF), den selbstorganisierenden Netzwerken wie dem SOM-Modell, den linearen und nichtlinearen Hebbian-Modellen des Lernens, den Support Vector Machines (SVM), dynamischen Modellen wie dem Hopfield-Modell und vielen weiteren.

Alle Modelle werden basierend auf ihrer Ausbildungsweise kategorisiert, während der Leser in das allgemeine Problem des Lernens und der Selbstanpassung eines Computersystems eingeführt wird. Es wird die notwendige mathematische Grundlage für das Verständnis der Funktionsweise der Netzwerke bereitgestellt, ohne dass fortgeschrittene mathematische Kenntnisse erforderlich sind.

Besonderer Wert wird auch auf die algorithmische Dimension der Modelle gelegt, da die wichtigsten davon mit dem entsprechenden Pseudocode begleitet werden. Schließlich stellen die Anwendungen neuronaler Netzwerke einen wichtigen Teil des Buches dar, da sie ein grundlegendes Motiv für ihr Studium und ihre Entwicklung sind. Anwendungen, die verschiedene Bereiche abdecken, werden beschrieben, wie z. B. Mustererkennung, Signal- und Bildverarbeitung, Informationskompression, Modellierung und Systemerkennung usw.