شبکه ی عصبی مصنوعی کاربرد وسیعی در مهندسی و سایر علوم دارد. با الهام گرفتن از معماری مغز، شبکه ی عصبی مصنوعی کلاسی از مدل های غیرخطی قابل یادگیری از داده ها را نمایش می دهد. شبکه های عصبی در موارد بسیاری کاربرد دارند از جمله ی طبقه بندی و پیش بینی. این پایان نامه یک نگاه آموزشی به شبکه های عصبی دارد و بر روی شبکه های عصبی انتشار برگشتی به عنوان روشی برای تقریب رگرسیون و سری زمانی غیرخطی تمرکز شده است. در ابتدا روش های اصلی در مدل های رگرسیون غیرخطی بیان شده و مدل شبکه های عصبی معرفی می شود. سپس از دیدگاه آماری به بیان علت جذاب بودن مدل های شبکه عصبی پرداخته می شود. روش های استاندارد محاسبه ی فواصل پیش بینی در رگرسیون غیرخطی می تواند به طور موثری برای شبکه های عصبی در زمانی که داده های آموزش زیاد باشند، نیز بکار رود. گرچه شبیه سازی نشان می دهد این روش ها فواصل پیش بینی غیرواقعی روی مجموعه های کوچک فراهم می کنند. سپس از روش کاهش وزن برای برآورد فواصل پیش بینی استفاده می شود که می توان آن را برای دامنه ی وسیعی از مسائل بکار برد. بالاخره یک روش جدید برای ساختن فواصل ناپارامتری برای سری زمانی غیرخطی بیان می شود. با چارچوبی از توسعه های اخیر روش بوت استرپ غربال، روش جدید مدل های شبکه ی عصبی را برای فرایندهای غیرخطی بکار می گیرد. این یک روش آزاد بودن مدل در کلاس کلی فرایندهای غیرخطی است که از فرض متناهی بودن مدل برای فرایندهای مولد غیرخطی اجتناب می کند.