اساس شبكه هاي عصبي بر پايه ساختار آنها بنا شده است، كه اين ساختار شامل يك يا چند لايه ، كه هر لايه داراي تعداد نرون كه اين نرون ها از طريق وزن ها به يكديگر متصل مي باشند. هر نرون داراي ورودي (ها) و خروجي (ها) مي باشند كه هر نرون بر اساس ورودي (ها)محاسبه و خروجي (ها)لازم را توليد ميكند. شبکه‌های عصبی به­عنوان یکی از قدرتمندترین پردازش­گرهای غیرخطی سیگنال، برای طیف وسیعی از کاربردهای پردازش سیگنال کاربرد دارند.

شبکه‌های عصبی مصنوعی، به­ عنوان ابزارهای رگرسیون، کارائی فوق‌العاده‌ای از خود نشان داده‌اند. علی‌الخصوص در کاربردهایی همچون شناسائی الگو و تقریب توابع. این شبکه‌ها قادرند روابط پیچیده غیرخطی بین متغیرهای ورودی و خروجی را در یک سیستم یاد بگیرند بدون اینکه دانشی قبلی نسبت به آن پدیده یا سیستم داشته باشند .

پایتون بدلیل سادگی آن توسط بسیاری از افراد به عنوان اولین گزینه برای شبیه سازی شبکه های عصبی در نظر گرفته می شود.  بسیاری از الگوریتم های هوش مصنوعی به آسانی قابل پیاده سازی در پایتون می باشند. در مقایسه با سایر زبان های برنامه نویسی توسعه کد در پایتون زمان کمتری را خواهد برد. همچنین در پایتون کتابخانه های متعددی برای انجام پروژه های شبکه عصبی وجود دارد که این کار را ساده تر می نماید.

از نرم افزار متلب به دلیل توانایی بالی آن در کارکردن با ماتریس ها و بردارها به عنوان یک ابزار خوب جهت شبیه سازی شبکه های عصبی یاد می شود. همچنین جعبه ابزار شبکه عصبی در متلب الگوریتم ها، مدل‌های از پیش یادگیری شده و همچنین اپ هایی را برای یادگیری، تصویرسازی و شبیه سازی شبکه های عصبی عمیق و کم عمق فراهم می‌کند. شما می توانید کلاس‌بندی، خوشه‌بندی، رگرسیون، کاهش ابعاد، پیش بینی سری های زمانی و مدل سازی سیستم های دینامیکی را به کمک این جعبه ابزار انجام دهید.