Widrow, Rumelhart en Lehr stellen dat de meeste ANN-toepassingen in de volgende drie categorieën vallen:

• Patroonclassificatie,
• Voorspelling en financiële analyse, en
• Controle en Optimalisatie.

In de praktijk is de indeling in categorieën dubbelzinnig, omdat bij veel financiële en voorspellende toepassingen sprake is van patroonindeling. Een classificatie bij voorkeur die toepassingen naar methode scheidt is de volgende:

• Classificatie
• Tijdreeksen en
• Optimalisatie.

Classificatieproblemen betreffen ofwel binaire beslissingen ofwel identificatie van meerdere klassen waarin waarnemingen worden gescheiden in categorieën volgens gespecificeerde

Karakteristieken. Zij maken gewoonlijk gebruik van transversale gegevens. Voor de oplossing van deze problemen moeten patronen in een gegevensreeks worden “geleerd” en moet een model worden geconstrueerd dat deze patronen kan herkennen. Commerciële kunstmatige neurale netwerktoepassingen van deze aard zijn onder meer:

• Opsporing van fraude met kredietkaarten wordt naar verluidt gebruikt door Eurocard Nederland, Mellon Bank, First USA Bank, enz.
• Optische tekenherkenning (OCR) die wordt gebruikt door faxsoftware zoals FaxGrabber van Calera Recognition System en de OCR-engine Anyfax van Caere Corporation, die in licentie wordt gegeven aan andere producten zoals het populaire WinFax
• Pro en FaxMaster ;
• Cursieve handschriftherkenning wordt gebruikt door het Longhand-programma van Lexicus2 Corporation dat werkt op bestaande notitieblokken zoals NEC Versapad, Toshiba Dynapad enz. en ;
• Screeningsysteem voor baarmoederhalsuitstrijkjes (Papanicolaou of “Pap”), Papnet 3 genaamd, is ontwikkeld door Neuromedical Systems Inc. en wordt momenteel gebruikt door de US Food and Drug Administration om cytotechnologen te helpen bij het opsporen van kankercellen ;
• Petroleumexploratie wordt gebruikt door Texaco en Arco om de locaties van ondergrondse olie- en gasvoorraden te bepalen ; en
• Opsporing van bommen in koffers met behulp van een neurale netwerkbenadering genaamd Thermische Neutronenanalyse (TNA), of meer algemeen, SNOOPE, ontwikkeld door Science Applications International Corporation (SAIC) .

In tijdreeksproblemen moet de ANN een voorspellingsmodel bouwen uit de historische gegevensreeks om toekomstige gegevenspunten te voorspellen. Bijgevolg vereisen zij vrij verfijnde ANN-technieken aangezien de opeenvolging van de inputgegevens in dit soort problemen belangrijk is voor het bepalen van de relatie van het ene gegevenspatroon tot het volgende. Dit staat bekend als het temporele effect, en meer geavanceerde technieken zoals eindige impulsresponsie (FIR) types van ANNs en recurrente ANNs worden ontwikkeld en onderzocht om specifiek met dit soort problemen om te gaan.

Reele wereld voorbeelden van tijdreeks problemen met behulp van ANNs omvatten:

• Buitenlandse beurs handelssystemen: Citibank London , HongKong Bank of Australia ;
• Portefeuilleselectie en -beheer: LBS Capital Management (US$300m) (US$600m) , Deere & Co. pensioenfonds (US$100m) (US$150m) , en Fidelity Disciplined Equity Fund ;
• Voorspellen van weerpatronen ;
• Spraakherkenningsnetwerk dat door Asahi Chemical op de markt wordt gebracht ;
• Voorspellen/bevestigen van myocardinfarct, een hartaanval, aan de hand van de outputgolven van een elektrocardiogram (ECG) . Baxt en Skora rapporteerden in hun studie dat de artsen een diagnostische sensitiviteit en specificiteit hadden voor myocardinfarct van respectievelijk 73,3 en 81,1%, terwijl het kunstmatige neurale netwerk een diagnostische sensitiviteit en specificiteit had van respectievelijk 96,0% en 96,0%; en
• Dementie identificeren uit analyse van elektrode-elektro-encefalogram (EEG) patronen . Anderer et al. rapporteerden dat het kunstmatige neurale netwerk het beter deed dan zowel de Z statistiek als de discriminant analyse.

Optimalisatieproblemen impliceren het vinden van oplossingen voor een reeks zeer moeilijke problemen die bekend staan als Niet-Polynomiale (NP) -complete problemen, Voorbeelden van problemen van dit type zijn het reizende verkoper probleem, job-scheduling in de productie en efficiënte routing problemen met voertuigen of telecommunicatie. De ANN’s die worden gebruikt om dergelijke problemen op te lossen, verschillen conceptueel van de vorige twee categorieën (classificatie en tijdreeksen), in die zin dat het gaat om netwerken zonder toezicht, waarbij de ANN geen voorafgaande oplossingen krijgt aangereikt en dus zelf moet “leren” zonder het voordeel van bekende patronen. Statistische methoden die gelijkwaardig zijn aan dit soort ANN’s vallen in de categorie clusteringalgoritmen.