Widrow, Rumelhart et Lehr soutiennent que la plupart des applications des ANN entrent dans les trois catégories suivantes :

• Classification de modèles,
• Prédiction et analyse financière, et
• Contrôle et optimisation.

En pratique, leur catégorisation est ambiguë puisque de nombreuses applications financières et prédictives impliquent la classification de motifs. Une classification préférée qui sépare les applications par méthode est la suivante :

• Classification
• Séries temporelles et
• Optimisation.

Les problèmes de classification impliquent soit des décisions binaires, soit une identification à classes multiples dans laquelle les observations sont séparées en catégories selon des

caractéristiques spécifiées. Ils utilisent généralement des données transversales. La résolution de ces problèmes implique « l’apprentissage » de modèles dans un ensemble de données et la construction d’un modèle capable de reconnaître ces modèles. Les applications commerciales de réseaux neuronaux artificiels de cette nature comprennent :

• La détection de la fraude par carte de crédit serait utilisée par Eurocard Nederland, Mellon Bank, First USA Bank, etc. ;
• La reconnaissance optique de caractères (OCR) utilisée par des logiciels de fax tels que FaxGrabber de Calera Recognition System et le moteur OCR Anyfax de Caere Corporation qui est sous licence pour d’autres produits tels que les populaires WinFax
• Pro et FaxMaster ;
• La reconnaissance de l’écriture manuscrite cursive étant utilisée par le programme Longhand de Lexicus2 Corporation qui fonctionne sur les blocs-notes existants tels que NEC Versapad, Toshiba Dynapad, etc. et ;
• Le système de dépistage par frottis cervical (Papanicolaou ou « Pap ») appelé Papnet 3 a été développé par Neuromedical Systems Inc. et est actuellement utilisé par la Food and Drug Administration américaine pour aider les cytotechnologistes à repérer les cellules cancéreuses ;
• L’exploration pétrolière étant utilisée par Texaco et Arco pour déterminer les emplacements des gisements souterrains de pétrole et de gaz ; et
• La détection des bombes dans les valises à l’aide d’une approche par réseau neuronal appelée Thermal Neutron Analysis (TNA), ou plus communément SNOOPE, développée par Science Applications International Corporation (SAIC) .

Dans les problèmes de séries temporelles, l’ANN doit construire un modèle de prévision à partir de l’ensemble des données historiques pour prédire les points de données futurs. Par conséquent, ils nécessitent des techniques ANN relativement sophistiquées car la séquence des données d’entrée dans ce type de problème est importante pour déterminer la relation d’un modèle de données avec le suivant. C’est ce que l’on appelle l’effet temporel, et des techniques plus avancées telles que les types d’ANN à réponse impulsionnelle finie (FIR) et les ANN récurrents sont en cours de développement et d’exploration pour traiter spécifiquement ce type de problème.

Les exemples du monde réel de problèmes de séries temporelles utilisant des ANN comprennent :

• Systèmes de négociation de devises étrangères : Citibank Londres , HongKong Bank of Australia ;
• Sélection et gestion de portefeuille : LBS Capital Management (300 millions de dollars US) (600 millions de dollars US) , fonds de pension de Deere & Co. (100 millions de dollars US) (150 millions de dollars US) , et Fidelity Disciplined Equity Fund ;
• Prévision des modèles météorologiques ;
• Réseau de reconnaissance vocale en cours de commercialisation par Asahi Chemical ;
• Prédiction/confirmation de l’infarctus du myocarde, une crise cardiaque, à partir des ondes de sortie d’un électrocardiogramme (ECG) . Baxt et Skora ont rapporté dans leur étude que les médecins avaient une sensibilité et une spécificité diagnostiques pour l’infarctus du myocarde de 73,3 et 81,1 % respectivement, tandis que le réseau neuronal artificiel avait une sensibilité et une spécificité diagnostiques de 96,0 % et 96,0 % respectivement ; et
• Identifier la démence à partir de l’analyse des schémas d’électroencéphalogramme (EEG) . Anderer et al. ont rapporté que le réseau neuronal artificiel a fait mieux que la statistique Z et l’analyse discriminante .

Les problèmes d’optimisation impliquent de trouver une solution pour un ensemble de problèmes très difficiles connus sous le nom de problèmes non polynomiaux (NP) -complets, Des exemples de problèmes de ce type incluent le problème du voyageur de commerce, la planification des tâches dans la fabrication et les problèmes de routage efficace impliquant des véhicules ou des télécommunications. Les ANN utilisés pour résoudre ces problèmes sont conceptuellement différents des deux catégories précédentes (classification et séries temporelles), dans la mesure où il s’agit de réseaux non supervisés, dans lesquels l’ANN ne dispose d’aucune solution préalable et doit donc « apprendre » par lui-même sans l’aide de modèles connus. Les méthodes statistiques qui sont équivalentes à ce type d’ANN entrent dans la catégorie des algorithmes de regroupement.