Підготовка даних (препроцессінг).

Написання звіту про результати.

Перевірка побудованих моделей.

Інтерпретація моделей людиною.

Експоненціальне зростання обчислень від кількості даних.

Усереднення значень, що призводить до втрати інформативності

Складність реалізації алгоритмів.

Відсутність формальної теорії.

У синаптичних вагах (інтенсивності міжнейронних сполук).

У центральному процесорі комп'ютера.

У кошику тимчасових даних.

У зовнішніх текстових файлах.

Випадковість подій у зовнішньому середовищі.

Існування класів, ступінь приналежності до яких змінюється безперервно.

Помилки в роботі вимірювальних приладів.

Недостатня кількість даних для статистичного аналізу.

Методи, що базуються виключно на теорії статистики.

Тільки багатокритеріальні методи для гладких ландшафтів.

Вузькоспеціалізовані лінійні методи.

Універсальні методи для різних типів задач (комбінаторних, з обмеженнями тощо).

Процес потребує розуміння задачі, підготовки даних та інтерпретації результатів людиною.

Методи Data Mining працюють тільки з паперовими носіями.

Алгоритми занадто повільні для сучасних баз даних.

Державні стандарти забороняють повну автоматизацію.

Можливість апроксимувати будь-яку безперервну функцію.

Здатність автоматично видаляти нерелевантні дані.

Незалежність кінцевого рішення від початкових установок.

Гарантована відсутність помилок у прогнозах.

Пошук найбільш оптимальної моделі (алгоритму) для конкретної галузі.

Очищення даних від шумів.

Видалення дублікатів у базах даних.

Візуалізація статистичних звітів.

Функція "середнє значення".

Цикл "поки... робити...".

Конструкція "якщо... то...".

Оператор "вибрати з...".

Пошук оптимальних значень ваг входів нейронів.

Спрощення інтерфейсу користувача.

Відмова від етапу навчання мережі.

Можливість запису залежностей у явному статистичному вигляді.