Neural inlärning bygger på tron att hjärnan fungerar som en dator när den bearbetar ny information. Datainmatning, organisation och hämtning är primära överväganden. Den biologiska grunden för neural inlärning är ett neuralt system, som hänvisar till den sammankopplade strukturen hos hjärnceller. Denna förståelse av sambandet mellan hjärnans struktur och funktion har tillämpats för att utveckla bättre inlärnings- och minnesbevarande koncept. Ramverket fungerar också som bas för artificiella neurala nätverkssystem.
Enligt den neurala inlärningsmodellen kommer information först in i hjärnan genom datainmatning. Hjärnan måste sedan lagra denna information och kombinera den med redan närvarande information via dataorganisation. Det sista steget är datahämtning, där hjärnan utvecklar system för att ta lagrad information från sinnet och använda den. Neural inlärning syftar alltså på dessa kollektiva processer där hjärnan samlar, lagrar och använder information som erhållits genom livserfarenheter. Ibland blir inlärningsprocesser så kodade i hjärnan att informationssökning sker nästan automatiskt, som i hotfulla situationer.
Minne är därför ett viktigt begrepp inom neural inlärning, precis som det är med datorer. Effektiv kodning av information kan underlättas med mnemoniska tekniker. Dessa metoder innebär att memorera stora bitar av information via minnessignaler. Till exempel kan en individ försöka lära sig en lång rad ord genom att skapa en mening där varje ord innehåller den första bokstaven i varje ord i listan. Ett annat tillvägagångssätt kan innebära att skapa en fantasifull visuell bild som representerar ett ord. Detta tillvägagångssätt är vanligt när man memorerar komplex information som medicinska termer.
Mnemoniska enheter är ofta beroende av ett annat viktigt koncept inom neural inlärning: den typ av inlärningsstil en hjärna är mest ansluten att implementera. Vissa individer är mer skickliga med visuella inlärningsmetoder, medan andra fungerar bättre när inlärningen är mer läs- eller ordbaserad. Andra tillvägagångssätt kan inkludera auditivt lärande och tillämpat kooperativt lärande.
Vissa lärare i neuralt lärande anammar ett holistiskt förhållningssätt till lärande. Med andra ord, individer bör överväga idéer och begrepp på ett naturalistiskt sätt, snarare än att förlita sig på utanträningsmetoder som betonar specifika och isolerade fakta. Anteckningar kan alltså bestå av ett trädliknande tillvägagångssätt där begrepp förgrenar sig från varandra och individer skapar sina egna unika associationer för att befästa begrepp i deras minne.
Överföring och lagring av information sker mellan nätverk av neuroner, eller hjärnceller. Neurala nätverk är också grunden för mycket artificiell intelligens. Faktum är att neural inlärning ibland hänvisar till metoderna för design av artificiell intelligens som efterliknar mänskliga neurala strukturer. Sådana neurala nätverk har visat sig användbara på många komplexa maskinprestandaarenor, allt från taligenkänning till implementering av kontroller för robotar.
För dessa metoder är de konstgjorda små strukturerna som är mönstrade efter mänskliga neuroner kända som enheter eller noder. Liksom neuroner är dessa enheter programmerade att ta emot inkommande information, eller input, och även att överföra information, eller output. I maskiner för artificiell intelligens kopplas in- och utgångskomponenter ihop upprepade gånger så att associationer skapas inom det artificiella intelligenssystemet. Dessa bildade associationer utgör neural inlärning för systemet, och – liksom mänsklig inlärning – kan associationerna stärkas när de kodas och memoreras. Förstärkningen sker via inlärningsregler, eller viktade mätningar och matematiska neurala algoritmer.