神经网络（neural network）是机器学习的一个重要分支，也是深度学习的核心算法。神经网络的名字和结构，源自人类的大脑构造，即神经网络是模拟生物学中神经元信号传输而形成的一种算法。
在开展神经网络或深度学习研究前，需要理清人工智能（AI）、机器学习、神经网络和深度学习之间的关系。一般而言，AI是最大研究范畴，其包含了机器学习，而神经网络则是机器学习的一个重要分支。深度学习则是神经网络的主干，严格来说，神经网络除了深度学习，还包含简单的神经网络模型，如仅含有一个隐藏层的感知机等。
神经网络是笼统称呼，即只要含有输入层、隐藏层和输出层结构，即可称为"神经网络"。那深度学习与其有何区别呢？深度学习指的是层数＞3的神经网络，注意这里的3包含了输入层和隐藏层。言外之意，就是当隐藏层数目≥2时，就称之为深度学习。所以，朋友们做的很多神经网络模型，可能都属于深度学习。
深度学习类型众多，但当前比较常用的有如下几种，1）前馈神经网络，也称为感知机，这是一种前馈神经网络（信息仅往一个方向传递）。当层数很多时，前馈神经网络也具有强大的预测能力，在医学研究中尤为常用。2）卷积神经网络，简称CNN，这种深度学习算法在图像识别、模式识别或计算机视觉等领域应用广泛。目前，医学研究中，最常用于对CT、MRI、PET等资料的预测分析。3）循环神经网络，简称为RNN，这种深度学习算法尤其适用于时间序列资料预测，例如股票预测等。循环神经网络与普通前馈神经网络最大的不同，在于其不仅有信息的前向传递，还有反向传播。在循环神经网络中，以长短时记忆网络/LSTM应用最多。
[1] Reference: Development and validation of predictive models for unplanned hospitalization in the Basque Country: analyzing the variability of non-deterministic algorithms
