Istnieje szereg zalet korzystania z modelu sieci neuronowej, w szczególności, że sieć może być dostosowana do szerokiego zakresu parametrów i wymagań dotyczących danych, a także faktu, że są łatwe w użyciu i wymagają minimalnych statystyk szkolenie. Co więcej, sieci neuronowe mają zdolność uczenia się (w ograniczonym tego słowa znaczeniu), czyniąc je najbliższym modelem dostępnym dla operatora ludzkiego.
Sieci neuronowe są wystarczająco zaawansowane, aby wykryć złożone relacje między wejściami i wyjściami, co jest kolejną zaletą podczas korzystania z tego modelu.
Oczywiście sieci neuronowe nie są pozbawione wad. Ze względu na skomplikowaną i zaawansowaną naturę modelu, są one na przykład bardzo trudne do zaprojektowania.
Podczas gdy adaptacyjność i czułość sieci neuronowej jest z pewnością zaletą, to również wiąże się z problemami. Biorąc pod uwagę, że sieć neuronowa zareaguje na nawet najmniejszą zmianę danych, często może być bardzo trudno modelować analitycznie w wyniku.
Uruchomienie sieci neuronowej wymaga również ogromnej ilości zasobów obliczeniowych, co czyni ją kosztowną i potencjalnie niepraktyczną dla niektórych firm i aplikacji.
Co więcej, podczas gdy sieci neuronowe są doskonałe i chrupią duże ilości danych, zaleta ta zmniejsza się w stosunku do wielkości próbki danych. Małe próbki na przykład nie będą efektywnie wykorzystywane, ponieważ sieć działa najlepiej z dużymi próbkami.
