Widrow, Rumelhart i Lehr twierdzą, że większość zastosowań ANN należy do następujących trzech kategorii:

• Klasyfikacja wzorców,
• Predykcja i analiza finansowa, oraz
• Kontrola i optymalizacja.

W praktyce ich kategoryzacja jest niejednoznaczna, ponieważ wiele aplikacji finansowych i predykcyjnych obejmuje klasyfikację wzorców. Preferowana klasyfikacja, która oddziela aplikacje według metody, jest następująca:

• Klasyfikacja
• Seria czasowa i
• Optymalizacja.

Problemy klasyfikacji obejmują albo decyzje binarne, albo identyfikację wieloklasową, w której obserwacje są rozdzielane na kategorie według określonych

Charakterystyk. Zazwyczaj wykorzystuje się w nich dane przekrojowe. Rozwiązywanie tych problemów wiąże się z „uczeniem się” wzorców w zbiorze danych i konstruowaniem modelu, który może rozpoznawać te wzorce. Komercyjne zastosowania sztucznych sieci neuronowych tego rodzaju obejmują:

• Wykrywanie oszustw związanych z kartami kredytowymi, podobno stosowane przez Eurocard Nederland, Mellon Bank, First USA Bank, itp.
• Optical character recognition (OCR) utilized by fax software such as Calera Recognition System’s FaxGrabber and Caere Corporation’s Anyfax OCR engine that is licensed to other products such as the popular WinFax
• Pro and FaxMaster ;
• Cursive handwriting recognition being used by Lexicus2 Corporation’s Longhand program that runs on existing notepads such as NEC Versapad, Toshiba Dynapad etc. oraz ;
• System przesiewowego badania wymazu z szyjki macicy (Papanicolaou lub „Pap”) o nazwie Papnet 3 został opracowany przez Neuromedical Systems Inc. i jest obecnie wykorzystywany przez US Food and Drug Administration do pomocy cytotechnologom w wykrywaniu komórek rakowych ;
• Poszukiwanie ropy naftowej wykorzystywane przez Texaco i Arco do określania lokalizacji podziemnych złóż ropy i gazu ; oraz
• Wykrywanie bomb w walizkach przy użyciu sieci neuronowej o nazwie Thermal Neutron Analysis (TNA), lub bardziej powszechnie, SNOOPE, opracowanej przez Science Applications International Corporation (SAIC) .

W problemach szeregów czasowych, ANN jest wymagana do zbudowania modelu prognostycznego z zestawu danych historycznych w celu przewidywania przyszłych punktów danych. W związku z tym, wymagają one stosunkowo zaawansowanych technik ANN, ponieważ kolejność danych wejściowych w tego typu problemach jest istotna w określaniu związku jednego wzorca danych z następnym. Jest to znane jako efekt czasowy, a bardziej zaawansowane techniki, takie jak skończona odpowiedź impulsowa (FIR) typu ANN i rekurencyjne ANN są opracowywane i badane w celu radzenia sobie z tym typem problemu.

Przykłady rzeczywistego świata problemów szeregów czasowych z wykorzystaniem ANN obejmują:

• Systemy handlu zagranicznego: Citibank London , HongKong Bank of Australia ;
• Selekcja i zarządzanie portfelem: LBS Capital Management (US$300m) (US$600m) , Deere & Co. fundusz emerytalny (US$100m) (US$150m) oraz Fidelity Disciplined Equity Fund ;
• Przewidywanie wzorców pogodowych ;
• Sieć rozpoznawania mowy wprowadzana na rynek przez Asahi Chemical ;
• Przewidywanie/potwierdzanie zawału serca, ataku serca, na podstawie fal wyjściowych elektrokardiogramu (EKG) . Baxt i Skora zgłosili w swoim badaniu, że lekarze mieli czułość diagnostyczną i swoistość dla zawału serca wynoszące odpowiednio 73,3 i 81,1%, podczas gdy sztuczna sieć neuronowa miała czułość diagnostyczną i swoistość wynoszące odpowiednio 96,0% i 96,0%; oraz
• Identyfikacja demencji na podstawie analizy wzorców elektroencefalogramu (EEG) . Anderer et al. zgłosiła, że sztuczna sieć neuronowa zrobił lepiej niż zarówno Z statystyk i analizy dyskryminacyjnej .

Problemy optymalizacji obejmują znalezienie rozwiązania dla zestawu bardzo trudnych problemów znanych jako Non-Polynomial (NP)-kompletne problemy, Przykłady problemów tego typu obejmują podróżującego sprzedawcy problem, praca-planowanie w produkcji i skutecznych problemów tras obejmujących pojazdy lub telekomunikacji. ANN stosowane do rozwiązywania takich problemów różnią się koncepcyjnie od poprzednich dwóch kategorii (klasyfikacja i szeregi czasowe), ponieważ wymagają sieci bez nadzoru, w których ANN nie otrzymuje żadnych wcześniejszych rozwiązań, a zatem musi „uczyć się” samodzielnie bez korzyści płynących ze znanych wzorców. Metody statystyczne, które są odpowiednikiem tego typu ANN, należą do kategorii algorytmów klasteryzacji.

.