Widrow, Rumelhart ja Lehr väittävät, että suurin osa ANN-sovelluksista kuuluu seuraaviin kolmeen luokkaan:

• Kuvioiden luokittelu,
• Ennustaminen ja rahoitusanalyysi sekä
• Säätö ja optimointi.

Käytännössä niiden luokittelu on moniselitteistä, koska monet rahoitus- ja ennustussovellukset sisältävät mallien luokittelua. Suositeltava luokittelu, jossa sovellukset erotetaan menetelmän mukaan, on seuraava:

• Luokittelu
• Aikasarjat ja
• Optimointi.

Luokitteluongelmiin liittyy joko binääripäätöksiä tai usean luokan tunnistamista, jossa havainnot erotetaan luokkiin määrättyjen

ominaisuuksien mukaan. Niissä käytetään tyypillisesti poikkileikkausaineistoa. Näiden ongelmien ratkaiseminen edellyttää kuvioiden ”oppimista” aineistossa ja sellaisen mallin rakentamista, joka pystyy tunnistamaan nämä kuviot. Tällaisia kaupallisia keinotekoisia neuroverkkosovelluksia ovat muun muassa:

• Luottokorttipetosten havaitseminen, jota Eurocard Nederland, Mellon Bank, First USA Bank jne. ovat tiettävästi käyttäneet. ;
• Optinen merkintunnistus (OCR), jota käytetään faksiohjelmistoissa, kuten Calera Recognition Systemin FaxGrabber ja Caere Corporationin Anyfax OCR-moottori, joka on lisensoitu muihin tuotteisiin, kuten suosittuihin WinFax
• Pro ja FaxMaster ;
• Lexicus2 Corporationin Longhand-ohjelma, jota käytetään olemassa olevissa muistilevyissä, kuten NEC Versapad, Toshiba Dynapad jne. ja ;
• Kohdunkaulan (Papanicolaou tai ”Pap”) seulontajärjestelmä Papnet 3 on Neuromedical Systems Inc:n kehittämä. jota Yhdysvaltain elintarvike- ja lääkevirasto käyttää tällä hetkellä auttamaan sytoteknikkoja havaitsemaan syöpäsoluja ;
• Texacon ja Arcon käyttämä öljynetsintäjärjestelmä maanalaisten öljy- ja kaasuesiintymien sijainnin määrittämiseksi ; ja
• Pommien havaitseminen matkalaukuissa käyttämällä neuroverkkomenetelmää nimeltä Thermal Neutron Analysis (TNA), tai yleisemmin sanottuna SNOOPE, jonka on kehittänyt Science Applications International Corporation (SAIC) .

Aikasarja-ongelmissa ANN:n on rakennettava ennustemalli historiallisesta tietokokonaisuudesta tulevien datapisteiden ennustamiseksi. Näin ollen ne vaativat suhteellisen kehittyneitä ANN-tekniikoita, koska syöttötietojen järjestys on tämäntyyppisissä ongelmissa tärkeä määritettäessä yhden tietomallin suhdetta seuraavaan. Tätä kutsutaan ajalliseksi vaikutukseksi, ja kehittyneempiä tekniikoita, kuten FIR-tyyppisiä (finite impulse response) ANN:eja ja rekursiivisia ANN:eja, kehitetään ja tutkitaan nimenomaan tämäntyyppisten ongelmien ratkaisemiseksi.

Reaalimaailman esimerkkejä ANN:ejä käyttävistä aikasarja-ongelmista ovat:

• Valuuttamarkkinoiden kaupankäyntijärjestelmät: Citibank London , HongKong Bank of Australia ;
• Salkun valinta ja hallinta: Deere & Co. eläkerahasto (100 milj. USD) (150 milj. USD) ja Fidelity Disciplined Equity Fund ;
• Säämallien ennustaminen ;
• Puheentunnistusverkko, jota Asahi Chemical markkinoi ;
• Puheentunnistusverkko, jota Asahi Chemical markkinoi ;
• Myokardiainfarktin, eli sydänkohtauksen, ennustaminen/vahvistaminen elektrokardiogrammin ulostulon aiheuttamien aaltojentuloaaltojentuloaaltojen perusteella. Baxt ja Skora raportoivat tutkimuksessaan, että lääkäreiden diagnostinen herkkyys ja spesifisyys sydäninfarktin suhteen oli 73,3 % ja 81,1 %, kun taas keinotekoisen neuroverkon diagnostinen herkkyys ja spesifisyys oli 96,0 % ja 96,0 %; ja
• Dementian tunnistaminen sähköelektroenkefalogrammikuvioiden analyysin perusteella (EEG) . Anderer et al. raportoivat, että keinotekoinen neuroverkko pärjäsi paremmin kuin Z-statistiikka ja diskriminanttianalyysi.

Optimisointiongelmat sisältävät ratkaisun löytämisen joukolle erittäin vaikeita ongelmia, jotka tunnetaan nimellä ei-polynomiaaliset (NP)-täydelliset ongelmat, Esimerkkeinä tämäntyyppisistä ongelmista ovat kiertävä myyntimiesongelma, valmistuksen työn suunnittelu ja tehokkaat reititysongelmat, jotka koskevat ajoneuvoja tai televiestintää. Tällaisten ongelmien ratkaisemiseen käytettävät VNE:t eroavat käsitteellisesti kahdesta edellisestä kategoriasta (luokittelu ja aikasarjat) siinä mielessä, että ne edellyttävät valvomattomia verkkoja, jolloin VNE:lle ei anneta mitään aiempia ratkaisuja, vaan sen on ”opittava” itse ilman tunnettuja malleja. Tilastolliset menetelmät, jotka vastaavat tämäntyyppisiä ANN:ejä, kuuluvat klusterointialgoritmien luokkaan.