Computermodelle des Lernens, die in Analogie zu neuronalen Netzwerken entwickelt wurden. Sie bestehen in der Regel aus Knoten, die Merkmale oder Kategorien codieren, und assoziativen Verbindungen, die Assoziationsstärken ausdrücken. Komplexere Modelle beinhalten auch vermittelnde weitere Knoten, die die Aufgabe haben, Merkmalskonfigurationen oder Lernexemplare zu repräsentieren. In den meisten Modellen wird eine Fehlerkorrektur-Lernregel angewandt, die die Assoziationsgewichte in Abhängigkeit von der Lernrückmeldung so modifiziert, dass die Fehler, die das Netzwerk macht, minimiert werden. Es handelt sich um assoziationistische Modelle, die dem Gedanken ähnlichkeitsbasierter Kategorisierungstheorien verhaftet sind.
