Ce travail traite des réseaux neuronaux (NN), plus particulièrement des NN multicouches du point de vue de l'apprentissage des algorithmes. Nous décrirons le réseau neuronal à action directe (FFNN), le réseau neuronal récurrent (RCNN) et nous présenterons les faits de base sur les réseaux neuronaux, qui seront utilisés plus tard dans la dissertation. Un réseau neuronal est un modèle mathématique qui s'inspire des réseaux neuronaux biologiques et tente de les simuler. Il se compose d'unités interconnectées - les neurones, qui sont les unités de calcul d'un réseau neuronal. Les réseaux neuronaux font partie de l'intelligence artificielle. Les connaissances sont stockées dans les connexions entre les neurones qui sont appelées poids synaptiques (weights), simplification des dendrites et des axones biologiques. Le NN est un approximateur universel des relations stockées à l'intérieur des données - un approximateur statistique non linéaire de modélisation des données, capable d'apprendre et d'adapter sa structure en fonction des informations internes/externes qui sont propagées à travers le NN pendant la phase d'apprentissage. Il est relativement facile à utiliser dans un large éventail de domaines techniques et non techniques sans avoir besoin de connaissances théoriques supplémentaires pour la plupart des NNs. Il existe un certain nombre de NNs qui nécessitent des connaissances pour les mettre en oeuvre et utiliser un ensemble correct de paramètres d'initialisation.