Widrow, Rumelhart și Lehr susțin că majoritatea aplicațiilor RNA se încadrează în următoarele trei categorii:

• Clasificarea modelelor,
• Predicție și analiză financiară și
• Control și optimizare.

În practică, categorisirea lor este ambiguă, deoarece multe aplicații financiare și predictive implică clasificarea tiparelor. O clasificare preferată care separă aplicațiile în funcție de metodă este următoarea:

• Clasificare
• Serii temporale și
• Optimizare.

Problemele de clasificare implică fie decizii binare, fie identificarea mai multor clase, în care observațiile sunt separate în categorii în funcție de caracteristici specificate

Caracteristici. Ele utilizează de obicei date transversale. Rezolvarea acestor probleme presupune „învățarea” modelelor dintr-un set de date și construirea unui model care poate recunoaște aceste modele. Aplicațiile comerciale ale rețelelor neuronale artificiale de această natură includ:

• Detectarea fraudelor cu carduri de credit care se pare că sunt folosite de Eurocard Nederland, Mellon Bank, First USA Bank etc. ;
• Recunoașterea optică a caracterelor (OCR) utilizată de software-ul de fax, cum ar fi FaxGrabber de la Calera Recognition System și motorul OCR Anyfax de la Caere Corporation care este licențiat pentru alte produse, cum ar fi popularul WinFax
• Pro și FaxMaster ;
• Recunoașterea scrierii cursive de mână care este utilizată de programul Longhand al Lexicus2 Corporation care rulează pe blocuri de notițe existente, cum ar fi NEC Versapad, Toshiba Dynapad etc. , și ;
• Sistemul de depistare a frotiurilor cervicale (Papanicolaou sau „Pap”) numit Papnet 3 a fost dezvoltat de Neuromedical Systems Inc. și este utilizat în prezent de US Food and Drug Administration pentru a-i ajuta pe citotehnologi să depisteze celulele canceroase ;
• Explorarea petrolului fiind utilizat de Texaco și Arco pentru a determina locațiile depozitelor subterane de petrol și gaze ; și
• Detectarea bombelor în valize utilizând o abordare de rețea neuronală numită Thermal Neutron Analysis (TNA) sau, mai frecvent, SNOOPE, dezvoltată de Science Applications International Corporation (SAIC) .

În problemele legate de seriile temporale, RNA trebuie să construiască un model de prognoză din setul de date istorice pentru a prezice punctele de date viitoare. În consecință, acestea necesită tehnici RNA relativ sofisticate, deoarece secvența datelor de intrare în acest tip de problemă este importantă pentru a determina relația dintre un model de date și următorul. Acest lucru este cunoscut sub numele de efect temporal, iar tehnici mai avansate, cum ar fi tipurile de RNA cu răspuns finit la impulsuri (FIR) și RNA recurente, sunt în curs de dezvoltare și explorare pentru a aborda în mod specific acest tip de problemă.

Exemple din lumea reală de probleme de serii temporale care utilizează RNA includ:

• Sisteme de tranzacționare pe piața valutară: Citibank London , HongKong Bank of Australia ;
• Selecția și gestionarea portofoliilor: LBS Capital Management (300 milioane USD) (600 milioane USD) , fondul de pensii Deere & Co. (100 milioane USD) (150 milioane USD) , și Fidelity Disciplined Equity Fund ;
• Prevederea modelelor meteorologice ;
• Rețea de recunoaștere a vorbirii comercializată de Asahi Chemical ;
• Predicerea/confirmarea infarctului miocardic, un atac de cord, din undele de ieșire ale unei electrocardiograme (ECG) . Baxt și Skora au raportat în studiul lor că medicii au avut o sensibilitate și o specificitate de diagnosticare a infarctului miocardic de 73,3 și, respectiv, 81,1%, în timp ce rețeaua neuronală artificială a avut o sensibilitate și o specificitate de diagnosticare de 96,0% și, respectiv, 96,0%; și
• Identificarea demenței din analiza modelelor electrode-electroencefalogramei (EEG) . Anderer et al. au raportat că rețeaua neuronală artificială s-a descurcat mai bine atât față de statistica Z, cât și față de analiza discriminantă .

Problemele de optimizare implică găsirea soluției pentru un set de probleme foarte dificile, cunoscute sub numele de probleme nepolinomiale (NP)-complete, Exemple de probleme de acest tip includ problema vânzătorului ambulant, programarea muncii în producție și probleme de rutare eficientă care implică vehicule sau telecomunicații. RNA utilizate pentru a rezolva astfel de probleme sunt diferite din punct de vedere conceptual de cele două categorii anterioare (clasificare și serii de timp), deoarece acestea necesită rețele nesupravegheate, în care RNA nu primește soluții anterioare și, prin urmare, trebuie să „învețe” de una singură, fără a beneficia de modele cunoscute. Metodele statistice care sunt echivalente cu acest tip de RNA se încadrează în categoria algoritmilor de clusterizare.

.