Widrow, Rumelhart y Lehr sostienen que la mayoría de las aplicaciones de las RNA se encuadran en las tres categorías siguientes:

• Clasificación de patrones,
• Predicción y análisis financiero, y
• Control y optimización.

En la práctica, su categorización es ambigua ya que muchas aplicaciones financieras y predictivas implican la clasificación de patrones. Una clasificación preferida que separa las aplicaciones por método es la siguiente:

• Clasificación
• Series temporales y
• Optimización.

Los problemas de clasificación implican decisiones binarias o identificación de clases múltiples en las que las observaciones se separan en categorías de acuerdo con

Características especificadas. Suelen utilizar datos transversales. La resolución de estos problemas implica el «aprendizaje» de patrones en un conjunto de datos y la construcción de un modelo que pueda reconocer estos patrones. Las aplicaciones comerciales de redes neuronales artificiales de esta naturaleza incluyen:

• Detección de fraudes con tarjetas de crédito que supuestamente utilizan Eurocard Nederland, Mellon Bank, First USA Bank, etc.
• Reconocimiento óptico de caracteres (OCR) utilizado por software de fax como el FaxGrabber de Calera Recognition System y el motor OCR Anyfax de Caere Corporation que está licenciado para otros productos como el popular WinFax
• Pro y FaxMaster ;
• Reconocimiento de escritura manuscrita que utiliza el programa Longhand de Lexicus2 Corporation que se ejecuta en los blocs de notas existentes como NEC Versapad, Toshiba Dynapad, etc.
• El sistema de detección de frotis cervicales (Papanicolaou o «Pap») llamado Papnet 3 fue desarrollado por Neuromedical Systems Inc. y actualmente está siendo utilizado por la Administración de Alimentos y Medicamentos de EE.UU. para ayudar a los citotecnólogos a detectar células cancerosas ;
• La exploración petrolífera que utilizan Texaco y Arco para determinar la ubicación de los yacimientos subterráneos de petróleo y gas ; y
• La detección de bombas en maletas mediante un enfoque de red neuronal llamado Análisis Térmico de Neutrones (TNA), o más comúnmente, SNOOPE, desarrollado por Science Applications International Corporation (SAIC) .

En los problemas de series temporales, la RNA debe construir un modelo de previsión a partir del conjunto de datos históricos para predecir los puntos de datos futuros. En consecuencia, requieren técnicas de RNA relativamente sofisticadas, ya que la secuencia de los datos de entrada en este tipo de problemas es importante para determinar la relación de un patrón de datos con el siguiente. Esto se conoce como efecto temporal, y se están desarrollando y explorando técnicas más avanzadas, como los tipos de RNA de respuesta al impulso finita (FIR) y las RNA recurrentes, para tratar específicamente este tipo de problemas.

Los ejemplos del mundo real de problemas de series temporales que utilizan RNA incluyen:

• Sistemas de comercio de divisas: Citibank London , HongKong Bank of Australia ;
• Selección y gestión de carteras: LBS Capital Management (300 millones de dólares) (600 millones de dólares) , fondo de pensiones de Deere & Co. (100 millones de dólares) (150 millones de dólares) , y Fidelity Disciplined Equity Fund ;
• Previsión de patrones meteorológicos ;
• Red de reconocimiento del habla comercializada por Asahi Chemical ;
• Predicción/confirmación de infarto de miocardio, un ataque al corazón, a partir de las ondas de salida de un electrocardiograma (ECG) . Baxt y Skora informaron en su estudio que los médicos tenían una sensibilidad y especificidad diagnóstica para el infarto de miocardio del 73,3 y 81,1% respectivamente, mientras que la red neuronal artificial tenía una sensibilidad y especificidad diagnóstica del 96,0% y 96,0% respectivamente; y
• Identificar la demencia a partir del análisis de los patrones del electroencefalograma (EEG) . Anderer et al. informaron de que la red neuronal artificial obtuvo mejores resultados que el estadístico Z y el análisis discriminante.

Los problemas de optimización implican la búsqueda de soluciones para un conjunto de problemas muy difíciles conocidos como problemas no polinómicos (NP). Las RNA utilizadas para resolver este tipo de problemas son conceptualmente diferentes de las dos categorías anteriores (clasificación y series temporales), ya que requieren redes no supervisadas, en las que la RNA no recibe ninguna solución previa y, por tanto, tiene que «aprender» por sí misma sin el beneficio de patrones conocidos. Los métodos estadísticos equivalentes a este tipo de RNA entran en la categoría de algoritmos de agrupación.