Le connexionnisme décrit une classe de modèles qui simulent le comportement des réseaux neuronaux en étant composés de nombreuses unités simples et fortement connectées.
Ces unités, souvent appelées nœuds, communiquent via des connexions pondérées qui peuvent être ajustées par apprentissage.
Les systèmes connexionnistes apprennent typiquement en ajustant les poids des connexions pour mapper les entrées aux sorties.
Des exemples connus sont le perceptron ou les réseaux neuronaux multicouches.
L'approche s'oppose aux méthodes symboliques de l'IA et met l'accent sur les représentations distribuées et le traitement parallèle.