Konnektionistische Modelle basieren auf Netzwerken aus einfachen Verarbeitungseinheiten, sogenannten Knoten oder Neuronen, die durch gewichtete Verbindungen verknüpft sind.
Das Lernen erfolgt meist durch Anpassung dieser Verbindungsgewichte, um Eingaben in gewünschte Ausgaben umzuwandeln.
Typische Beispiele sind künstliche neuronale Netze, die durch Algorithmen wie Backpropagation trainiert werden.
Konnektionistische Modelle zeichnen sich durch Parallelität, Verteiltheit und Robustheit gegenüber Störungen aus und eignen sich gut für Mustererkennung und kognitive Aufgaben.
Sie stehen im Gegensatz zu symbolischen Modellen, da sie Wissen nicht explizit, sondern verteilt in den Verbindungen kodieren.