Las redes neuronales se aplican principalmente cuando los ordenadores clásicos fallan. Los problemas de las redes neuronales no tienen un algoritmo conocido o la descripción analítica es demasiado complicada para el tratamiento informático. Su campo de aplicación principal es en problemas con ejemplos de datos de gran tamaño que cubren una superficie suficiente del problema. Los campos de aplicación básicos de las redes neuronales son los siguientes:
Las redes neuronales artificiales tienen algunas propiedades ventajosas. Se puede aplicar una transformación arbitraria por encima de la fecha de entrada, por lo que son universales. No necesitan ser programadas, su comportamiento requerido se puede lograr mediante la formación con ejemplos apropiados. Un neuro-ordenador basado en redes neurales se consigue entrenándolo con ejemplos apropiados. Las redes neuronales son muy robustas, gracias al uso de un gran número de neuronas y conexiones (sinapsis) y gracias al hecho de que la información se distribuye en toda la red. Los fallos de las neuronas sólo conducen a una degradación lenta de la red. Tienen una capacidad de generalización, de abstracción, es decir, de reaccionar igualmente ante un cierto conjunto de datos de entrada, no sólo para cierto elemento de ese conjunto.
Las principales aplicaciones son:
La predicción prevé el valor de salida de alguna variable sobre la base de su comportamiento en el pasado. La predicción trata de encontrar el comportamiento más probable de un argumento en una serie conocida, cuyos valores dependen en algún parámetro independiente del sistema (cualquier variable física incluyendo el tiempo). La predicción es un caso especial de la extrapolación; este es un método de derivación, o una conclusión resultante de comportamiento de una función dentro del rango conocido para su comportamiento fuera de dicho rango.
El reconocimiento implica decisiones basadas en un vector de entrada que indica la categoría del objeto descrito. El reconocimiento es llamado en ocasiones clasificación.
La asociación es muy similar a la clasificación. Una red neuronal artificial se adiestra para estar libre de errores en este caso y clasifica los datos erróneos.
El filtrado suaviza la señal de entrada y se basa en la obtención de una señal completa de ruido inferior (sin distorsión) de salida de la señal de entrada. Esta última es producida por sensores de entrada. Su implementación técnica y la función dependen de su aplicación específica. Pueden estar representados por sensores ópticos (para el procesamiento de información de imagen), detectores de ultrasonidos (de procesamiento de datos de una sonda) y otros.
La optimización es un proceso de búsqueda de un valor óptimo de una determinada variable, por ejemplo, para minimizar la longitud de un viaje.