Et neuralt netværk er groft sagt en samling af forbundne beregnings-enheder, hvor de enkelte enheder ikke er i stand til at fortage mere komplicerede beregninger end typisk en summation og en sammenligning. Nettet som helhed modtager et input, og på bagrund af dette afgiver et output. Ofte ved man, hvordan man ønsker output skal se ud for et givent input, men man ved ikke, hvordan nettet skal se ud for at give dette output. Der findes forskellige metoder til at ændre på netværket, så det (som oftest) bliver bedre til at gøre det, man ønsker. Disse metoder kaldes indlæringsmetoder.
Der findes i dag tre hovedkategorier af indlæringsmetoder og dermed tre hovedkategorier af af neurale net. Hvilken type indlæringsmetode, man bruger, kommer an på, hvor meget man ved om, hvad et godt output er for et givent input.
Hvis man for en mængde af input kender output bruger man vejledt indlæring eller indlæringen med en lærer. Man kan betragte forskellen mellem nettets output og det ønskede output og heraf udregne en gradient og bruge denne til at ændre på nettet. Indlæringsmetoden, vi hørte i sidste nummer var vejledt indlæring.
Med den anden indlæringstype kender man ikke det bedste
output -- man kender kun et langsigtet mål. Hvis for eksempel nettet
sættes til at styre en cykel, kunne input være, hvor meget styret er
drejet og cyklens vinkel til lodret. Nettets output kunne være
``drej 
radianer til venstre'' eller ``drej
radianer til højre''. Vi ved ikke hvad, der er det rette output i en
given situation, men vi ved, at cyklen ikke må vælte. Nettet får
ikke en direkte vurdering af output, det får kun at vide (oftest
efter nogen tid), at det har lavet en forkert handling. Denne type
indlæring hedder reinforcement indlæring eller
indlæringen med en kritiker. Det er faktisk muligt at lære
netværk ganske komplicerede opgaver selv med temmelig sjælden
vurdering.
Ved den sidste type indlæring modtager nettet slet ingen vurdering af sit output. Nettet er helt overladt til selv at tilpasse sig input. Denne type hedder indlæring uden vejleder.
Kohonens netværk hører til den sidste type.