随着1940年M-P神经元模型的模拟实现,神经网络发展十分迅速,虽说一波三折,甚至在中期遭遇到了停滞不前的情境,但至今其所取得的成果,让人相信这种对于人脑若干基本特征的抽象与模拟的方式将带来巨大的影响。到现在,神经网络研究的重要意义已经得到了广泛的承认和进一步的创新,无论在机器学习、模式识别、人工智能,生物信息学,甚至机器人等众多领域,都得到了广泛的推广和应用。而神经网络中,基于隐含层层数的不同而发展的两种神经网络—浅层神经网络和深层神经网络正在越来越多的被人应用、部署和比较。早期的研究受限于计算机硬件条件与算法发展的限制,局限于浅层神经网络上的扩展和应用。在2006年由Geoffrey E. Hinton提出的一种改进型RBM算法激励下,加以当时硬件条件的成熟,深层神经网络开始被大量研究和应用。由于其在理论上更类似于人脑的多层神经元工作机制,深层神经网络也更被人们所接受。不同于浅层神经网络,深度神经网络中部署了多层隐藏层进行学习。也恰是这多层隐藏层的机制,对于特征提取的表现较浅层神经网络更显优势。当下,这方面的工作发展十分迅速,尤其体现在其对于大数据上面的表现。本文将讨论基于蒙特卡洛方法所构建的有监督学习机,设计一个浅层神经网络,并将其运用于时间序列预测及模式识别的应用上。结合自身算法机制上的灵活性,蒙特卡洛方法的介入也保证了整个训练的准确性。这当中,我们进行了两方面工作的实验,分别为时间序列的预测和生物信息学的分类检测。对于分类检测的应用,我们将讨论基于蒙特卡洛方法的有监督学习机与深层神经网络上的比较,在说明这一浅层神经网络的独特优势的同时,探讨关于神经网络在深层或浅层之间选择的相关问题。