Az eddigiekben bemutatott neuronhálók – bár felépítésükben, származtatásukban és tanításukban jelentősen különböznek egymástól – mind az ellenőrzött tanítású statikus hálózatok közé tartoznak. Ahogy láttuk ezeknek a hálózatoknak a többsége szinte tetszőleges folytonos nemlineáris leképezés tetszőleges pontosságú közelítésére képes. Ez az univerzális approximációs képesség és a hálózatok adaptivitása az alapja e hálótípusok gyakorlati alkalmazásainak.

A felhasználási területek nagyon szerteágazók, és jellegükre nézve két fő csoportba sorolhatók. Az egyik csoportba azok tartoznak, melyeknél a feladat rögzített, vagyis ha a tanítópontok alapján egyszer létrehoztuk a hálót, akkor ez a továbbiakban módosítás nélkül alkalmazható. A másik csoportba tartozó alkalmazási területekre, gyakorlati feladatokra az jellemző, hogy maga a feladat is változik, és ezt a változást a hálónak követnie kell. Itt tehát a megtanított háló működése közben a változó feltételekhez, körülményekhez való adaptálódás is követelmény.

Ebben a fejezetben néhány tipikusnak mondható feladat neuronhálós megoldását mutatjuk be röviden. Ezek a feladatok többségükben az első feladatosztályba tartoznak, ahol a feladatot egyszer kell a hálónak megtanítani, az alkalmazás folyamatos adaptálódást nem igényel. Az on-line adaptációs képesség elsősorban a dinamikus feladatoknál jelentkezik követelményként, melyekkel a következő fejezetben, az időfüggő hálózatok kapcsán fogunk foglalkozni.

A néhány feladat messze nem fedi le az alkalmazási lehetőségek teljes spektrumát. A teljes spektrum áttekintése nem is célja a fejezetnek, sőt még az sem, hogy a legfontosabb alkalmazási területek többségét érintse. A viszonylag egymástól távoli alkalmazási területek ugyanakkor azt kívánják alátámasztani, hogy a neuronhálók egyfajta univerzális feladatmegoldó eszközök. Ennek az sem mond ellent, hogy most is, és a későbbi alkalmazásokhoz kapcsolódó fejezetek során is külön hangsúlyozni szeretnénk, hogy az univerzális képességek ellenére a sikeres alkalmazáshoz az adott tématerület minél jobb megismerése, a feladat minél teljesebb megértése elengedhetetlen.

A neurális hálózatok népszerűségüket az univerzális képességükön túl annak is köszönhetik, hogy megértésük, használatuk viszonylag egyszerű, legalábbis az általuk megoldani célzott feladatokhoz képest. A használt algoritmusok nem bonyolultak, így kis programozói gyakorlattal bárki tud készíteni vagy használni egy hálózat szimulátor programot. Ezt azután csak megfelelő adatokkal kell feltölteni, és a beépített tanulás segítségével az adott feladatot a program − szerencsés esetben − elsajátítja. A tapasztalat azonban az, hogy így csak olyan problémák oldhatók meg kielégítő szinten, amelyek számos másfajta, hagyományos eljárás segítségével is megoldhatók volnának.

Egy alkalmazás sikeres elkészítéséhez, mind az adott feladat, mind az alkalmazandó eszköz, a neurális hálózat alapos ismeretére van szükség. Az alkalmazások többsége a többrétegű perceptront használja. Azt mondhatjuk, hogy az MLP messze a leggyakrabban alkalmazott neuronháló, bár az újabb eszközök, különösen a kernel gépek különböző változatai is egyre gyakrabban kerülnek alkalmazásra. A sok különböző alkalmazási terület közül néhány fontosabb:

Az említett alkalmazási területekhez kapcsolódó feladatok egy része megoldható az eddig tárgyalt statikus nemlineáris leképezésre alkalmas, előrecsatolt hálózatokkal, más részük dinamikus feladat, így ezen alkalmazásokhoz a későbbiekben tárgyalt időfüggő hálózatok szükségesek.

Egy gyakorlati feladat megoldásánál először a probléma elemzése alapján azt kell eldönteni, hogy a feladat mely részeit próbáljuk neurális eszközzel megoldani, és milyen hálózattípus tűnik alkalmasnak a megoldásra. A fent leírtak alapján azokat a részfeladatokat célszerű neurális hálózattal megvalósítani, amelyekre nem tudunk gyors algoritmikus megoldást adni. A hálózat típusánál meghatározó szempont az is, hogy mennyi a rendelkezésre álló tanítási idő, milyen jellegű az adatbázis (hány dimenziós adatokból és hány adatból áll, stb.), továbbá milyen más a priori információ áll rendelkezésünkre a problémáról. A feladatról lévő előzetes ismereteinknek a hálózat struktúrájának és tanítási algoritmusának kiválasztásán kívül az adatok megfelelő kódolásában, előfeldolgozásában is fontos szerepük van. A most bemutatásra kerülő alkalmazások ezekre a kérdésekre is kitérnek, a kérdések általánosabb tárgyalásával azonban a 13. fejezetben foglalkozunk.