Widrow, Rumelhart e Lehr sostengono che la maggior parte delle applicazioni ANN rientrano nelle seguenti tre categorie:

• Classificazione dei modelli,
• Previsione e analisi finanziaria, e
• Controllo e ottimizzazione.

In pratica, la loro categorizzazione è ambigua poiché molte applicazioni finanziarie e predittive coinvolgono la classificazione dei modelli. Una classificazione preferita che separa le applicazioni per metodo è la seguente:

• Classificazione
• Serie temporali e
• Ottimizzazione.

I problemi di classificazione coinvolgono decisioni binarie o identificazione di classi multiple in cui le osservazioni sono separate in categorie secondo specifiche

caratteristiche. Usano tipicamente dati trasversali. Risolvere questi problemi comporta l’apprendimento di modelli in un set di dati e la costruzione di un modello che può riconoscere questi modelli. Le applicazioni commerciali delle reti neurali artificiali di questa natura includono:

• Rilevazione delle frodi con le carte di credito, utilizzate da Eurocard Nederland, Mellon Bank, First USA Bank, ecc.
• Riconoscimento ottico dei caratteri (OCR) utilizzato da software fax come FaxGrabber di Calera Recognition System e il motore OCR Anyfax di Caere Corporation che è concesso in licenza ad altri prodotti come il popolare WinFax
• Pro e FaxMaster;
• Riconoscimento della scrittura corsiva utilizzato dal programma Longhand di Lexicus2 Corporation che funziona su notepad esistenti come NEC Versapad, Toshiba Dynapad ecc. e ;
• Sistema di screening cervicale (Papanicolaou o ‘Pap’) chiamato Papnet 3 è stato sviluppato da Neuromedical Systems Inc. ed è attualmente utilizzato dalla US Food and Drug Administration per aiutare i citotecnologi a individuare le cellule cancerose ;
• Splorazione petrolifera utilizzata da Texaco e Arco per determinare le posizioni dei depositi sotterranei di petrolio e gas ; e
• Rilevamento di bombe in valigia utilizzando un approccio di rete neurale chiamato Thermal Neutron Analysis (TNA), o più comunemente, SNOOPE, sviluppato da Science Applications International Corporation (SAIC) .

Nei problemi di serie temporali, la RNA è tenuta a costruire un modello di previsione dal set di dati storici per prevedere i punti di dati futuri. Di conseguenza, richiedono tecniche ANN relativamente sofisticate poiché la sequenza dei dati di input in questo tipo di problema è importante nel determinare la relazione di un modello di dati al successivo. Questo è noto come effetto temporale, e tecniche più avanzate come i tipi di RNA a risposta impulsiva finita (FIR) e le RNA ricorrenti vengono sviluppate ed esplorate per affrontare specificamente questo tipo di problema.

Esempi reali di problemi di serie temporali che utilizzano le RNA includono:

• Sistemi di scambio estero: Citibank Londra, HongKong Bank of Australia ;
• Selezione e gestione del portafoglio: LBS Capital Management (300 milioni di dollari) (600 milioni di dollari), fondo pensione Deere & Co. (100 milioni di dollari) (150 milioni di dollari) e Fidelity Disciplined Equity Fund ;
• Previsione dei modelli meteorologici ;
• Rete di riconoscimento vocale commercializzata da Asahi Chemical ;
• Previsione/conferma di infarto del miocardio, un attacco di cuore, dalle onde di uscita di un elettrocardiogramma (ECG). Baxt e Skora hanno riferito nel loro studio che i medici avevano una sensibilità diagnostica e una specificità per l’infarto miocardico del 73,3 e 81,1% rispettivamente, mentre la rete neurale artificiale aveva una sensibilità diagnostica e una specificità del 96,0% e 96,0% rispettivamente; e
• Identificare la demenza dall’analisi dei modelli di elettrodo-elettroencefalogramma (EEG) . Anderer et al. hanno riferito che la rete neurale artificiale ha fatto meglio sia della statistica Z che dell’analisi discriminante.

I problemi di ottimizzazione comportano la ricerca di soluzioni per un insieme di problemi molto difficili noti come problemi non polinomiali (NP) completi. Esempi di problemi di questo tipo includono il problema del commesso viaggiatore, la programmazione del lavoro nella produzione e problemi di instradamento efficienti che coinvolgono veicoli o telecomunicazioni. Le RNA utilizzate per risolvere tali problemi sono concettualmente diverse dalle due categorie precedenti (classificazione e serie temporali), in quanto richiedono reti non supervisionate, per cui la RNA non è dotata di soluzioni precedenti e quindi deve ‘imparare’ da sola senza il beneficio di modelli noti. I metodi statistici che sono equivalenti a questo tipo di RNA rientrano nella categoria degli algoritmi di clustering.