Neurális hálózatok segítségével elvileg csaknem tetszőleges modellezési, feldolgozási feladat megoldható, ha kielégítő mintahalmaz áll rendelkezésünkre, amely tartalmazza a keresett információt. Nincs másra szükség, mint megtalálni a megfelelő típusú és architektúrájú hálózatot, majd a minták segítségével tanítani. Ezen problémákkal, pl. a hálózattípus és méret megválasztásával, a megfelelő tanítási algoritmusokkal az előző fejezetekben foglalkoztunk.

A gyakorlati feladatok megoldásának menete azonban tipikusan jóval bonyolultabb ennél. A tapasztalatok szerint, ha egyszerűen a nyers, mért adatokat használjuk a háló tanítása során, akkor a hálózat vagy rendkívül lassan konvergál a megoldás irányába, vagy akár divergenciát is tapasztalhatunk. A problémák egy részének egyik oka az adatokat gyakran torzító, meghamisító zaj lehet, ezért rendszerint célszerű a nyers adatokat hihetőség vizsgálatnak alávetni, kiszűrni vagy korrigálni a hibás adatokat, szűréssel javítani a zajos adatokat. Másrészt a megfelelő tanító és tesztminta halmaz kialakítására sem mindig a legcélszerűbb eljárás a korrekt elsődleges mért adatok összegyűjtése: informatív származtatott adatok előállítása sokszor nagymértékben felgyorsítja a megoldás megtalálását. (Triviális példa, hogy amikor a rendszer állapota a disszipálódó teljesítménytől függ, akkor nem feltétlenül a mért feszültség és áram értéke jellemzi legjobban a helyzetet, hanem a kettő szorzataként származtatott mennyiség, a teljesítmény. A háló ugyan képes megtalálni ezt a kapcsolatot, de jelentősen lelassíthatja a megoldás elérését, növelheti a szükséges modell komplexitást, ha olyan összefüggések felismerését is a hálóra bízzuk és tanítással kívánjuk elérni, melyeknek eleve birtokában voltunk.)

A gyakorlati feladatok megoldásánál tehát nagy jelentőségű, gyakran a legfontosabb lépések közé tartozik, hogy megfelelő adatelőkészítéssel, lényegkiemeléssel, utófeldolgozással tehermentesítsük a hálózatot. Általánosságban kimondható: minden olyan ismeretet, amely a priori rendelkezésünkre áll, célszerű valamilyen módon az elő- vagy utófeldolgozásba beépíteni, hogy a tanítás során arra a feladatra lehessen koncentrálni, melyről csak a mintákban kódolt módon áll rendelkezésünkre információ.