El conexiónismo describe una clase de modelos que simulan el comportamiento de redes neuronales, consistiendo en muchas unidades simples y fuertemente interconectadas.
Estas unidades, a menudo llamadas nodos, se comunican a través de conexiones ponderadas que pueden ajustarse mediante el aprendizaje.
Los sistemas conexionistas aprenden típicamente ajustando los pesos de las conexiones para mapear entradas a salidas.
Ejemplos conocidos son el perceptrón o las redes neuronales multicapa.
El enfoque contrasta con los métodos simbólicos de IA y enfatiza las representaciones distribuidas y el procesamiento paralelo.