Summary  
This chapter covers the programming concept of selecting between traditional machine learning models and neural networks based on factors like dataset size, problem complexity, interpretability, and computational resources.

General domain of usage  
Image classification

Inden for maskinlæring findes der mange modeltyper. To hovedgrupper er **traditionelle modeller** (lineær regression, beslutningstræer, SVM'er) og **neurale netværk** (deep learning). De adskiller sig i kompleksitet, datakrav og fortolkelighed.

Mindre komplekse, lettere at visualisere og fortolke (f.eks. lineær regression, beslutningstræer)

Meget komplekse, især dybe netværk med millioner af parametre; betragtes ofte som en "black box"

Hurtigere at træne på grund af enkelhed

Kræver mere computerkraft og tid, især for store datasæt og dybe arkitekturer

Kræver store datasæt for at generalisere godt og undgå overfitting

Nogle modeller (f.eks. lineær regression) antager et lineært forhold mellem funktioner og output

Kan modellere komplekse, ikke-lineære sammenhænge

Kræver manuel indgriben og domæneviden for at skabe og udvælge de rette funktioner

Kræver også feature engineering, men er mindre følsomme over for det, da de kan filtrere unødvendige funktioner fra under træning

Kan håndtere store datasæt, men opfanger måske ikke komplekse mønstre lige så effektivt

Skalerer godt og opfanger komplekse mønstre, men kræver mere computerkraft

Mindre tilbøjelig til overfitting, men afhænger af modellen

Tilbøjelig til overfitting uden korrekte teknikker som regularisering

Lettere at fortolke og forklare (f.eks. beslutningstræer, lineær regression)

Ofte betragtet som "black boxes", hvilket gør det svært at forklare deres beslutninger

Kræver generelt færre computerressourcer

Kræver betydelige computerressourcer, især dybe neurale netværk

## Hvordan vælger man mellem dem

1. **Datasætstørrelse:** små datasæt → traditionelle modeller; store datasæt → neurale netværk.
2. **Problemkompleksitet:** simple mønstre → traditionelle; komplekse opgaver (f.eks. billeder) → neurale netværk.
3. **Fortolkelighed:** traditionelle modeller er lettere at forklare.
4. **Ressourcer:** traditionelle modeller kræver mindre computation og træner hurtigere.

## Konklusion

Der findes ikke ét universelt bedste valg. Forståelse af hver modeltypes **styrker** og **begrænsninger** hjælper med at vælge det, der passer til **problem**, **data** og **ressourcer**. Eksperimentering er fortsat den mest pålidelige metode til at finde den rette tilgang.


Hvilken modeltype er mere fortolkelig af natur?

For et stort datasæt med komplekse, ikke-lineære mønstre, hvilken modeltype kan være mere velegnet?

I hvilken situation kan du prioritere at bruge en traditionel model frem for et neuralt netværk?

Neurale netværk er kraftfulde algoritmer inspireret af den menneskelige hjernes struktur, som anvendes til at løse komplekse maskinlæringsproblemer. Du vil konstruere dit eget neurale netværk fra bunden for at forstå dets funktion. Efter dette kursus vil du kunne oprette neurale netværk til løsning af klassifikations- og regressionsopgaver ved hjælp af scikit-learn-biblioteket.

Først vil vi diskutere, hvad et neuralt netværk er, og hvordan det fungerer. Vi vil også overveje anvendelsesområdet.

Herefter vil vi forsøge at opbygge vores eget neurale netværk og undersøge, hvor effektivt det håndterer læring. Vi vil også se på en færdig løsning fra scikit-learn-biblioteket.

Afslutningsvis vil vi give dig yderligere nyttig information om, hvordan du kan forstå, hvilken model der skal anvendes, samt hvilke typer neurale netværk der findes. For at afslutte kurset vil din tilegnede viden blive testet.

Neurale Netværk eller Traditionelle Modeller

Forskelle

Begrænsninger

Hvordan vælger man mellem dem

Konklusion

1. Hvilken modeltype er mere fortolkelig af natur?

2. For et stort datasæt med komplekse, ikke-lineære mønstre, hvilken modeltype kan være mere velegnet?

3. I hvilken situation kan du prioritere at bruge en traditionel model frem for et neuralt netværk?