Widrow, Rumelhart a Lehr tvrdí, že většina aplikací ANN spadá do následujících tří kategorií:

• Klasifikace vzorů,
• Predikce a finanční analýza a
• Řízení a optimalizace.

V praxi je jejich kategorizace nejednoznačná, protože mnoho finančních a predikčních aplikací zahrnuje klasifikaci vzorů. Preferovaná klasifikace, která rozděluje aplikace podle metod, je následující:

• Klasifikace
• Časové řady a
• Optimalizace.

Klasifikační problémy zahrnují buď binární rozhodování, nebo identifikaci více tříd, při níž jsou pozorování rozdělena do kategorií podle stanovených

charakteristik. Obvykle používají průřezová data. Řešení těchto problémů zahrnuje „učení“ vzorů v souboru dat a konstrukci modelu, který dokáže tyto vzory rozpoznat. Mezi komerční aplikace umělých neuronových sítí tohoto druhu patří:

• Detekce podvodů s kreditními kartami, kterou údajně používají společnosti Eurocard Nederland, Mellon Bank, First USA Bank atd. ;
• Optické rozpoznávání znaků (OCR) využívané faxovým softwarem, jako je FaxGrabber společnosti Calera Recognition System a engine Anyfax OCR společnosti Caere Corporation, který je licencován do dalších produktů, jako je populární WinFax
• Pro a FaxMaster ;
• Rozpoznávání kurzivního rukopisu používá program Longhand společnosti Lexicus2 Corporation, který běží na stávajících poznámkových blocích, jako jsou NEC Versapad, Toshiba Dynapad atd. a ;
• Systém pro screening stěrů z děložního čípku (Papanicolaou nebo „Pap“) nazvaný Papnet 3 vyvinula společnost Neuromedical Systems Inc. a v současné době ho používá americký Úřad pro kontrolu potravin a léčiv, aby pomohl cytotechnologům odhalit rakovinné buňky ;
• Průzkum ropy, který používají společnosti Texaco a Arco k určení polohy podzemních ložisek ropy a plynu ; a
• Detekce bomb v kufrech pomocí přístupu neuronové sítě nazvaného termální neutronová analýza (TNA) nebo častěji SNOOPE, vyvinutého společností Science Applications International Corporation (SAIC) .

V problémech časových řad se od ANN vyžaduje, aby na základě souboru historických dat vytvořila prognostický model pro předpověď budoucích datových bodů. V důsledku toho vyžadují poměrně sofistikované techniky ANN, protože posloupnost vstupních dat v tomto typu problému je důležitá pro určení vztahu jednoho vzorce dat k dalšímu. Tomuto jevu se říká časový efekt a pro řešení právě tohoto typu problémů se vyvíjejí a zkoumají pokročilejší techniky, jako jsou typy ANN s konečnou impulsní odezvou (FIR) a rekurentní ANN.

Reálné příklady problémů časových řad s využitím ANN zahrnují:

• Systémy obchodování na zahraničních burzách: Citibank London , HongKong Bank of Australia ;
• Výběr a správa portfolia: LBS Capital Management (300 mil. USD) (600 mil. USD) , penzijní fond Deere & Co. (100 mil. USD) (150 mil. USD) a Fidelity Disciplined Equity Fund ;
• Předpovídání vývoje počasí ;
• Síť pro rozpoznávání řeči, kterou uvádí na trh společnost Asahi Chemical ;
• Předpovídání/potvrzení infarktu myokardu, srdečního záchvatu, z výstupních vln elektrokardiogramu (EKG) . Baxt a Skora ve své studii uvádějí, že lékaři měli diagnostickou citlivost a specifičnost infarktu myokardu 73,3 %, resp. 81,1 %, zatímco umělá neuronová síť měla diagnostickou citlivost a specifičnost 96,0 %, resp. 96,0 %; a
• Identifikace demence z analýzy vzorců elektroencefalogramu (EEG) . Anderer a kol. uvádějí, že umělá neuronová síť si vedla lépe než Z statistika i diskriminační analýza .

Optimalizační problémy zahrnují hledání řešení pro množinu velmi obtížných problémů známých jako nepolynomiální (NP) – neúplné problémy, Příklady problémů tohoto typu zahrnují problém putujícího obchodníka, plánování úloh ve výrobě a problémy efektivního směrování zahrnující vozidla nebo telekomunikace. ANN používané k řešení těchto problémů se koncepčně liší od předchozích dvou kategorií (klasifikace a časové řady) tím, že vyžadují neřízené sítě, kdy ANN nemá k dispozici žádná předchozí řešení, a musí se tedy „učit“ sama bez využití známých vzorů. Statistické metody, které jsou ekvivalentní tomuto typu ANN, spadají do kategorie shlukovacích algoritmů

.