Grįžtamasis neuroninis tinklas yra neuroninio tinklo tipas, kuriame vienetų jungtys keliauja ne kilpa, o vienu nukreiptu keliu. Tai skiriasi nuo pasikartojančio neuroninio tinklo, kuriame informacija gali judėti tiek pirmyn, tiek atgal visoje sistemoje. Perduotas neuroninis tinklas tikriausiai yra labiausiai paplitęs neuroninio tinklo tipas, nes jis yra vienas iš lengviausiai suprantamų ir konfigūruojamų. Šio tipo neuroniniai tinklai naudojami duomenų gavyboje ir kitose studijų srityse, kuriose reikalingas nuspėjamasis elgesys.
Neuroninis tinklas yra dirbtinio intelekto tinklas, sukurtas laisvai imituoti žmogaus smegenų „mąstymo“ procesus. Tiekiant duomenų eilutes į tinklą, kompiuteriui suteikiamos galimybės „išmokti“ juo tekančius šablonus, leidžiančius teisingai identifikuoti atsakymus ir pateikti tendencijų analizę. Jie naudojami atliekant užduotis, kuriose reikalingas tam tikras mokymosi ir modelio atpažinimo laipsnis, pavyzdžiui, atliekant duomenų gavybos operacijas. Duomenų gavyba yra tiesiog tendencijų analizė iš informacijos rinkinio, pavyzdžiui, vartotojų pirkimo tendencijų ir akcijų rinkos progreso analizė.
Informacija, keliaujanti per grįžtamąjį neuroninį tinklą, patenka į įvesties sluoksnį, keliauja per paslėptą sluoksnį ir išeina iš išorinio tinklo sluoksnio, suteikdama galutiniam vartotojui atsakymą į jo užklausą. Įvesties sluoksnis yra tiesiog vieta, kur vartotojas įveda neapdorotus duomenis arba informacijos parametrus. Sandorio dalis vyksta paslėptame sluoksnyje, kur kompiuteris grįžta į „patirtį“ tvarkant panašius duomenis, kad gautų numatomą atsakymą. Informacija perduodama per išvesties sluoksnį, kur galutiniam vartotojui pateikiamas atsakymas.
Perduotas neuroninis tinklas paprastai tampa efektyvesnis, nes galutinis vartotojas pateikia jam vis daugiau eksperimentinių duomenų. Panašiai kaip skaičiuojant vidurkį, tikslesnis rezultatas bus pasiektas naudojant daugybę bandymo įvykių. Pavyzdžiui, tikimybė išmesti „1“ ant šešiapusio kauliuko yra 16.667 procento; tačiau prireiks šimtų ar tūkstančių modeliavimų, kol apskaičiuotas vidurkis bus patvirtintas naudojant realaus pasaulio duomenis. Grįžtamieji neuroniniai tinklai yra vienodi; jų atsakymai taps tikslesni su laiku ir patirtimi.