ماو و مهی‌الدین[1] کاربردهای شبکه‌های عصبی را به شرح زیر بر می‌شمارند.

1ـ دسته بندی الگو[2] : وظیفه دسته بندی الگو برای تخصیص یک الگو از داده‌ها به یکی از دسته‌ه ای از پیش تعیین شده، به وسیله بردار ویژگی است. یکی از کاربردهای آن رتبه بندی اوراق قرضه است.

2ـ خوشه یابی[3] : در خوشه یابی دسته‌ه ای شناخته شده برای داده‌های آموزشی وجود ندارد. در حقیقت طبقه بندی الگو بدون سرپرستی است. یک الگوریتم خوشه‌یابی، تشابه بین الگوها را کشف می‌کند و الگوهای مشابه را در یک خوشه قرار می‌دهد. این کار در استخراج داده‌ها و داده کاوی کاربردهای زیادی دارد.

3ـ تخمین تابع[4] : فرض می‌کنیم در یک مجموعه، n الگوی آموزشی از زوج‌های مرتب (ورودی و خروجی) از یک تابع ناشناخته (همراه با پارازیت) وجود داشته باشد. وظیفه تخمین تابع، یافتن یک تخمین از تابع ناشناخته است. یک مثال مدیریتی می‌تواند تخمین یک تابع غیر خطی ناشناخته که رابطه بین نارضایتی کارکنان به عنوان ورودی و میزان تولید به عنوان خروجی باشد.

4ـ پیش بینی[5] : با وجود یک مجموعه n عنصری y₍₊₁₎, y₍₊₂₎,…y_(t­n) در یک توالی زمانی t₁, t₂, … t_n وظیفه شبکه پیش بینی نمونه y(t_n+1) در برخی از شرایط t_n+1‌ است. پیش بینی بازار سهام، ورشکستگی شرکت‌ها و… نمونه‌هایی از کاربرد شبکه‌ها و پیش بینی مسائل مدیریتی است.

5ـ بهینه سازی : هدف یک مساله بهینه سازی، یافتن راه حلی است که ضمن صدق در یک مجموعه از محدودیت‌ها، تابع هدف را نیز حداکثر یا حداقل نماید. به عنوان نمونه، مساله فروشنده دوره گرد یک مساله بهینه سازی است. شبکه‌های عصبی می‌توانند با مدل‌های بهینه سازی پاسخ‌های مناسبی را برای این مسئله بدست آورند.

6ـ حافظه انجمن[6] : در حافظه انجمن یا حافظه آدرس‌دهی محتوایی می‌توان به وسیله محتوای داده‌ها به آنها دسترسی پیدا کرد. محتوای موجود در حافظه می‌تواند حتی با یک ورودی ناقص یا محتوای به هم ریخته بازخوانی شود. در حالی که در مدل‌های محاسباتی کامپیوتری یک داده موجود در حافظه فقط از طریق آدرس آن قابل دسترسی است. اگر در محاسبه آدرس اشتباهی رخ دهد ممکن است یک مورد کاملاً متفاوتی بازخوانی شود.مدیر می‌تواند با بهره گرفتن از این کاربرد، اطلاعات مربوط به امور مورد نظر را با در دست داشتن اطلاعات مختصری در مورد آن موضوع در اختیار گیرد.

7ـ کنترل[7] : هدف در یک مدل کنترل، ایجاد ورودی کنترل به نحوی است که سیستم مسیر مطلوبی را که توسط مدل مرجع تعیین شده است را دنبال کند. زمانبندی مشاغل، ماشین‌ها و سایر منابع در سیستم‌های ساخت منعطف، اهمیت بالایی دارد.

شبکه عصبی در اکثر موارد می‌تواند بهترین قاعده را برای انجام بهینه فعالیت‌ها پیدا کند. دلوین[8] و همکاران کاربرد شبکه‌های عصبی در امور مالی را به این صورت بیان می‌کنند :

الف ـ شبیه سازی مالی

ساختار مالی عملیات تجاری بسیار پیچیده و پویاست، به کمک سیستم‌های عصبی مصنوعی، می‌توان مدلی از محیط مالی شرکت ساخت که ویژه آن شرکت باشد و در طول زمان متناسب با تغییر ساختار مالی شرکت پویایی خود را حفظ کند. سه حوزه اصلی اینکار عبارتند از:

1ـ پیش بینی برآورد آتی : در مواردی که در حوزه‌های “پیش بینی مالی” مدل، روابط مشخص و تعریف شده نداشته باشد. می‌توان از مدل‌های شبکه عصبی استفاده کرد. می‌توان شبکه عصبی را طوری طراحی و آموزش داد که رفتار سرمایه گذاران نسبت به تحولات شرکت یا تغییرات کلی شرایط مالی تقلید کند. این مدل‌ها می‌توانند جایگزین مدل‌های آماری مثل رگرسیون خطی و… شوند.

2ـ ارزشیابی : به کمک شبکه‌های عصبی می‌توان ارزش سهام و دارایی‌هایی را که می‌خواهیم خریداری کنیم، برآورد کنیم در این مهم باید فرایند ارزشیابی انسانی شبیه سازی گردد. سیستم می‌تواند به طور خودکار نسبت به تغییرات در رویه‌های عملی تحلیلی و ضوابط انتخاب تصمیم- گیرندگان در طول زمان، خود را سازگار کند، این مدل‌ها مبتنی بر پایگاه‌های اطلاعاتی عمده هستند.

3ـ تصویب اعتبارات : تعیین سقف اعتباری یک امر زمان بر و کاربر است. می‌توان با شبکه عصبی سیستم تصویب اعتبارات را به نحوی طراحی و آموزش داد که اطلاعات ورودی آن داده‌های مربوط به مشتریان و داده‌های خروجی مطلوب آن، تصمیمات واقعی تحلیلگران اعتباری باشد.

[1] Mao & Mohiuddin

[2] Pattern Classification

[3] Clustering

[4] Function Approximation

[5] Forecasting

[6] Associative Memory

[7] Control

[8] Delvin