Diese Arbeit befasst sich mit neuronalen Netzen (NN), insbesondere mit mehrschichtigen NN unter dem Gesichtspunkt des Algorithmus-Lernens. Wir werden das Feed Forward Neural Network (FFNN) und das Recurrent Neural Network (RCNN) beschreiben und grundlegende Fakten über NN einführen, die später in der Dissertation verwendet werden. Ein neuronales Netz ist ein mathematisches Modell, das von biologischen neuronalen Netzen inspiriert ist und versucht, diese zu simulieren. Es besteht aus miteinander verbundenen Einheiten - Neuronen, die die Recheneinheiten eines neuronalen Netzes sind. NNs sind Teil der künstlichen Intelligenz. Das Wissen wird in den Verbindungen zwischen den Neuronen gespeichert, die synaptische Gewichte genannt werden, eine Vereinfachung der biologischen Dendriten und Axone. NN ist ein universeller Approximator für die in den Daten gespeicherten Beziehungen - ein nichtlinearer statistischer Datenmodellierungsapproximator, der in der Lage ist, zu lernen und seine Struktur auf der Grundlage interner/externer Informationen anzupassen, die während der Lernphase durch NN weitergegeben werden. Für die meisten NNs ist es relativ einfach, sie in einem weiten Bereich von technischen und nicht-technischen Bereichen ohne weitere theoretische Kenntnisse zu verwenden. Es gibt eine Reihe von NNs, die Wissen erfordern, um sie zu implementieren und den richtigen Satz von Initialisierungsparametern zu verwenden.