Widrow, Rumelhart és Lehr szerint az ANN alkalmazások többsége a következő három kategóriába sorolható:

• Mintázatosztályozás,
• Jóslás és pénzügyi elemzés, valamint
• Vezérlés és optimalizálás.

A gyakorlatban a kategorizálásuk nem egyértelmű, mivel számos pénzügyi és előrejelző alkalmazás tartalmaz mintaosztályozást. Egy preferált osztályozás, amely módszer szerint különíti el az alkalmazásokat, a következő:

• Klasszifikáció
• Idősorok és
• Optimalizálás.

A klasszifikációs problémák vagy bináris döntéseket, vagy többosztályos azonosítást foglalnak magukban, amelyben a megfigyeléseket meghatározott

jellemzők szerint kategóriákba soroljuk. Ezek jellemzően keresztmetszeti adatokat használnak. E problémák megoldása magában foglalja az adathalmazban található minták “megtanulását” és egy olyan modell megalkotását, amely képes felismerni ezeket a mintákat. Az ilyen jellegű kereskedelmi mesterséges neurális hálózati alkalmazások közé tartoznak:

• Hitelkártyacsalások felderítése, amelyeket állítólag az Eurocard Nederland, a Mellon Bank, a First USA Bank stb. használ. ;
• Optikai karakterfelismerés (OCR), amelyet olyan faxszoftverek használnak, mint a Calera Recognition System FaxGrabber és a Caere Corporation Anyfax OCR motorja, amelyet más termékek, például a népszerű WinFax
• Pro és FaxMaster licenceltek;
• Kurzív kézírásfelismerést használ a Lexicus2 Corporation Longhand programja, amely olyan meglévő jegyzettömbökön fut, mint a NEC Versapad, Toshiba Dynapad stb. , és ;
• A Neuromedical Systems Inc. által kifejlesztett Papnet 3 nevű méhnyak (Papanicolaou vagy “Pap”) kenetszűrő rendszert. és jelenleg az USA Élelmiszer- és Gyógyszerügyi Hivatala használja, hogy segítse a citotechnológusokat a rákos sejtek kiszűrésében ;
• A Texaco és az Arco által a földalatti olaj- és gázlelőhelyek helyének meghatározására használt kőolajkutatás ; és
• A Science Applications International Corporation (SAIC) által kifejlesztett neurális hálózati megközelítéssel, a Thermal Neutron Analysis (TNA), vagy ismertebb nevén SNOOPE segítségével a bőröndökben lévő bombák felderítése .

Az idősoros problémákban az ANN-nek előrejelző modellt kell építenie a múltbeli adathalmazból a jövőbeli adatpontok előrejelzéséhez. Következésképpen viszonylag kifinomult ANN-technikákat igényelnek, mivel az ilyen típusú problémákban a bemeneti adatok sorrendje fontos az egyik adatminta és a következő kapcsolatának meghatározásában. Ezt nevezzük időbeli hatásnak, és a fejlettebb technikákat, például a véges impulzusválasz (FIR) típusú ANN-eket és a rekurrens ANN-eket kifejezetten az ilyen típusú problémák kezelésére fejlesztik és kutatják.

A valós világbeli példák az ANN-eket alkalmazó idősoros problémákra a következők:

• Devizatőzsdei kereskedési rendszerek: Citibank London , HongKong Bank of Australia ;
• Portfólióválasztás és -kezelés: Deere & Co. nyugdíjalap (100 millió USD) (150 millió USD) , és Fidelity Disciplined Equity Fund ;
• Időjárás előrejelzése ;
• A beszédfelismerő hálózatot az Asahi Chemical forgalmazza ;
• A szívinfarktus, a szívroham előrejelzése/megerősítése az elektrokardiogram (EKG) kimeneti hullámaiból . Baxt és Skora tanulmányukban arról számoltak be, hogy az orvosok diagnosztikai érzékenysége és specificitása a szívinfarktusra vonatkozóan 73,3, illetve 81,1% volt, míg a mesterséges neurális hálózat diagnosztikai érzékenysége és specificitása 96,0%, illetve 96,0% volt; és
• A demencia azonosítása az elektrode-elektroenkefalogram (EEG) minták elemzéséből . Anderer és munkatársai arról számoltak be, hogy a mesterséges neurális hálózat jobban teljesített, mint a Z-statisztika és a diszkrimináns elemzés .

Az optimalizálási problémák a nem-polinomiális (NP) problémák néven ismert nagyon nehéz problémák egy csoportjának megoldását foglalják magukban, Az ilyen típusú problémákra példa az utazó ügynök problémája, a gyártási munkák ütemezése és a járművek vagy a távközlés hatékony útvonaltervezési problémái. Az ilyen problémák megoldására használt ANN-ek koncepcionálisan különböznek az előző két kategóriától (osztályozás és idősorok), mivel felügyelet nélküli hálózatokat igényelnek, ahol az ANN nem kap előzetes megoldásokat, és így ismert minták nélkül, magától kell “tanulnia”. Az ilyen típusú ANN-ekkel egyenértékű statisztikai módszerek a klaszterezési algoritmusok kategóriájába tartoznak.