Widrow, Rumelhart und Lehr argumentieren, dass die meisten ANN-Anwendungen in die folgenden drei Kategorien fallen:

• Musterklassifizierung,
• Vorhersage und Finanzanalyse, und
• Steuerung und Optimierung.

In der Praxis ist diese Kategorisierung nicht eindeutig, da viele Finanz- und Vorhersageanwendungen eine Musterklassifizierung beinhalten. Eine bevorzugte Klassifizierung, die Anwendungen nach Methode trennt, ist die folgende:

• Klassifizierung
• Zeitreihen und
• Optimierung.

Klassifizierungsprobleme beinhalten entweder binäre Entscheidungen oder Mehrfachklassen-Identifizierung, bei denen Beobachtungen nach bestimmten

Merkmalen in Kategorien unterteilt werden. Sie verwenden typischerweise Querschnittsdaten. Die Lösung dieser Probleme erfordert das „Lernen“ von Mustern in einem Datensatz und die Konstruktion eines Modells, das diese Muster erkennen kann. Zu den kommerziellen Anwendungen künstlicher neuronaler Netze dieser Art gehören:

• Erkennung von Kreditkartenbetrug, die angeblich von Eurocard Nederland, Mellon Bank, First USA Bank usw. verwendet wird.
• Optische Zeichenerkennung (OCR), die von Faxsoftware wie FaxGrabber von Calera Recognition System und der Anyfax OCR-Engine der Caere Corporation genutzt wird, die für andere Produkte wie das beliebte WinFax
• Pro und FaxMaster lizenziert ist;
• Kursive Handschrifterkennung, die von Lexicus2 Corporation’s Longhand Programm verwendet wird, das auf bestehenden Notizblöcken wie NEC Versapad, Toshiba Dynapad etc. läuft.
• Das System zur Untersuchung von Gebärmutterhalsabstrichen (Papanicolaou oder ‚Pap‘) namens Papnet 3 wurde von Neuromedical Systems Inc. entwickelt. entwickelt und wird derzeit von der US Food and Drug Administration eingesetzt, um Zytotechnologen bei der Erkennung von Krebszellen zu helfen;
• Erdölsuche, die von Texaco und Arco zur Bestimmung von unterirdischen Öl- und Gasvorkommen eingesetzt wird; und
• Erkennung von Bomben in Koffern mit Hilfe eines neuronalen Netzwerks namens Thermal Neutron Analysis (TNA), oder allgemeiner, SNOOPE, entwickelt von Science Applications International Corporation (SAIC) .

Bei Zeitreihenproblemen wird das ANN benötigt, um ein Prognosemodell aus dem historischen Datensatz zu erstellen, um zukünftige Datenpunkte vorherzusagen. Folglich erfordern sie relativ ausgefeilte ANN-Techniken, da die Reihenfolge der Eingabedaten bei dieser Art von Problemen wichtig ist, um die Beziehung zwischen einem Datenmuster und dem nächsten zu bestimmen. Dies ist als zeitlicher Effekt bekannt, und fortschrittlichere Techniken wie FIR-Typen (Finite Impulse Response) von ANN und rekurrente ANN werden entwickelt und erforscht, um speziell mit dieser Art von Problemen umzugehen.

Zu den Beispielen aus der realen Welt für Zeitreihenprobleme, bei denen ANN eingesetzt werden, gehören:

• Fremdwährungshandelssysteme: Citibank London, HongKong Bank of Australia;
• Portfolioauswahl und -verwaltung: LBS Capital Management (300 Mio. US$) (600 Mio. US$) , Deere & Co. pension fund (100 Mio. US$) (150 Mio. US$) und Fidelity Disciplined Equity Fund ;
• Wettervorhersage ;
• Spracherkennungsnetzwerk, das von Asahi Chemical vermarktet wird ;
• Vorhersage/Bestätigung eines Myokardinfarkts, eines Herzinfarkts, anhand der Ausgangswellen eines Elektrokardiogramms (EKG) . Baxt und Skora berichteten in ihrer Studie, dass die Ärzte eine diagnostische Sensitivität und Spezifität für einen Myokardinfarkt von 73,3 bzw. 81,1 % hatten, während das künstliche neuronale Netz eine diagnostische Sensitivität und Spezifität von 96,0 % bzw. 96,0 % aufwies; und
• Identifizierung von Demenz anhand der Analyse von Elektroenzephalogramm (EEG)-Mustern . Anderer et al. berichteten, dass das künstliche neuronale Netz besser abschneidet als die Z-Statistik und die Diskriminanzanalyse.

Optimierungsprobleme beinhalten die Lösung einer Reihe sehr schwieriger Probleme, die als nicht-polynomiale (NP)-komplette Probleme bekannt sind. Beispiele für Probleme dieser Art sind das Travelling-Salesman-Problem, die Auftragsplanung in der Fertigung und effiziente Routing-Probleme mit Fahrzeugen oder Telekommunikation. Die ANN, die zur Lösung solcher Probleme eingesetzt werden, unterscheiden sich konzeptionell von den beiden vorangegangenen Kategorien (Klassifizierung und Zeitreihen), da sie unüberwachte Netzwerke erfordern, bei denen dem ANN keine vorherigen Lösungen zur Verfügung stehen und es daher ohne den Nutzen bekannter Muster selbst „lernen“ muss. Statistische Methoden, die dieser Art von ANNs entsprechen, fallen in die Kategorie der Clustering-Algorithmen.