Model jaringan saraf yang paling umum adalah multilayer perceptron (MLP). Jenis jaringan saraf yang dikenal sebagai jaringan diawasi karena memerlukan output yang diinginkan untuk belajar. Tujuan dari jaringan jenis ini adalah untuk menciptakan model yang benar memetakan input ke output dengan menggunakan data historis sehingga model kemudian dapat digunakan untuk menghasilkan output ketika output yang diinginkan tidak diketahui. Sebuah representasi grafis dari suatu MLP ditampilkan di bawah.

Blok diagram dari dua lapisan multiplayer tersembunyi perceptron (MLP). Input yang dimasukkan ke dalam lapisan input dan mendapatkan dikalikan dengan bobot interkoneksi karena mereka lulus dari lapisan masukan ke lapisan tersembunyi pertama. Dalam lapisan tersembunyi pertama, mereka mendapatkan dijumlahkan kemudian diproses oleh fungsi nonlinier (biasanya tangen hiperbolik). Sebagai data diproses meninggalkan lapisan tersembunyi pertama, sekali lagi itu akan dikalikan dengan bobot interkoneksi, kemudian dijumlahkan dan diproses oleh lapisan tersembunyi kedua. Akhirnya data dikalikan dengan bobot interkoneksi kemudian diproses untuk terakhir kalinya di dalam lapisan output untuk menghasilkan output jaringan syaraf tiruan. MLP dan banyak jaringan saraf lain belajar menggunakan algoritma backpropagation disebut. Dengan backpropagation, input data berulang kali disajikan ke jaringan saraf. Dengan presentasi masing-masing output dari jaringan saraf dibandingkan dengan output yang diinginkan dan kesalahan dihitung. Kesalahan ini kemudian makan kembali (backpropagated) ke jaringan saraf dan digunakan untuk mengatur berat sehingga kesalahan menurun dengan setiap iterasi dan model neural semakin dekat dan lebih dekat untuk memproduksi output yang diinginkan. Proses ini dikenal sebagai "pelatihan".main() { cout