Der Konnektionismus beschreibt eine Klasse von Modellen, die das Verhalten von neuronalen Netzwerken simulieren, indem sie aus vielen einfachen, stark vernetzten Einheiten bestehen.
Diese Einheiten, oft als Knoten bezeichnet, kommunizieren über gewichtete Verbindungen, die durch Lernen angepasst werden können.
Konnektionistische Systeme lernen typischerweise durch Anpassung der Verbindungsgewichte, um Eingaben auf Ausgaben abzubilden.
Bekannte Beispiele sind das Perzeptron oder mehrschichtige neuronale Netze.
Der Ansatz steht im Gegensatz zu symbolischen KI-Methoden und betont verteilte Repräsentationen und Parallelverarbeitung.