Widrow, Rumelhart och Lehr hävdar att de flesta ANN-tillämpningar faller in i följande tre kategorier:

• Mönsterklassificering,
• Förutsägelser och finansiell analys samt
• Kontroll och optimering.

I praktiken är deras kategorisering tvetydig eftersom många finansiella och prediktiva tillämpningar inbegriper mönsterklassificering. En föredragen klassificering som separerar tillämpningar efter metod är följande:

• Klassificering
• Tidsserier och
• Optimering.

Klassificeringsproblem inbegriper antingen binära beslut eller identifiering av flera klasser där observationer delas in i kategorier enligt specificerade

Karakteristika. De använder vanligtvis tvärsnittsdata. Att lösa dessa problem innebär att man måste ”lära sig” mönster i en datamängd och konstruera en modell som kan känna igen dessa mönster. Kommersiella tillämpningar av artificiella neurala nätverk av detta slag omfattar:

• Detektering av kreditkortsbedrägerier som enligt uppgift används av Eurocard Nederland, Mellon Bank, First USA Bank osv.
• Optisk teckenigenkänning (OCR) som används i faxprogramvara som Calera Recognition Systems FaxGrabber och Caere Corporations Anyfax OCR-motor som är licensierad till andra produkter som det populära WinFax
• Pro och FaxMaster ;
• Kursiv handskriftsigenkänning som används av Lexicus2 Corporation’s Longhand-program som körs på befintliga anteckningsblock som NEC Versapad, Toshiba Dynapad etc. , och ;
• System för screening av livmoderhalsutstryk (Papanicolaou eller ”Pap”) kallat Papnet 3 har utvecklats av Neuromedical Systems Inc. och används för närvarande av den amerikanska livsmedels- och läkemedelsmyndigheten för att hjälpa cytotekniker att upptäcka cancerceller ;
• Petroleumprospektering som används av Texaco och Arco för att fastställa var underjordiska olje- och gasfyndigheter finns ; och
• Detektering av bomber i resväskor med hjälp av ett neuralt nätverk som kallas Thermal Neutron Analysis (TNA), eller vanligare, SNOOPE, och som har utvecklats av Science Applications International Corporation (SAIC) .

I tidsserieproblem krävs ANN för att bygga en prognosmodell från den historiska datamängden för att förutsäga framtida datapunkter. Följaktligen kräver de relativt sofistikerade ANN-tekniker eftersom sekvensen av indata i denna typ av problem är viktig för att fastställa förhållandet mellan ett mönster av data och nästa. Detta är känt som den temporala effekten, och mer avancerade tekniker såsom FIR-typer (finite impulse response) av ANN och återkommande ANN utvecklas och utforskas för att specifikt hantera denna typ av problem.

Exempel på tidsserieproblem där ANN används i verkligheten är bland annat:

• Handelssystem för utländsk valuta: Citibank London , HongKong Bank of Australia ;
• Portföljval och portföljförvaltning: LBS Capital Management (300 miljoner US-dollar) (600 miljoner US-dollar) , Deere & Co. pensionsfond (100 miljoner US-dollar) (150 miljoner US-dollar) och Fidelity Disciplined Equity Fund ;
• Förutsägelse av vädermönster ;
• Taligenkänningsnätverk som marknadsförs av Asahi Chemical ;
• Förutsägelse/bekräftelse av hjärtinfarkt, en hjärtinfarkt, utifrån utdatavågorna i ett elektrokardiogram (EKG). Baxt och Skora rapporterade i sin studie att läkarna hade en diagnostisk känslighet och specificitet för hjärtinfarkt på 73,3 respektive 81,1 %, medan det artificiella neurala nätverket hade en diagnostisk känslighet och specificitet på 96,0 % respektive 96,0 %, och
• Identifiering av demenssjukdomar genom analys av mönster i elektrode-elektroencefalogrammet (EEG). Anderer et al. rapporterade att det artificiella neurala nätverket var bättre än både Z-statistik och diskriminantanalys.

Optimeringsproblem innebär att man måste hitta lösningar på en uppsättning mycket svåra problem som kallas icke-polynomiala (NP)-kompletta problem, Exempel på problem av denna typ är det resande säljarproblemet, schemaläggning av jobb inom tillverkningsindustrin och effektiva ruttplaneringsproblem som rör fordon eller telekommunikation. De ANN som används för att lösa sådana problem skiljer sig begreppsmässigt från de två föregående kategorierna (klassificering och tidsserier), eftersom de kräver oövervakade nätverk, där ANN inte får några tidigare lösningar och därmed måste ”lära” sig självt utan att ha nytta av kända mönster. Statistiska metoder som är likvärdiga med denna typ av ANN:er faller under kategorin klusteralgoritmer.