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

Koneoppimisessa on monia mallityyppejä. Kaksi pääryhmää ovat **perinteiset mallit** (lineaarinen regressio, päätöspuut, SVM:t) ja **neuroverkot** (syväoppiminen). Ne eroavat toisistaan monimutkaisuuden, datatarpeiden ja tulkittavuuden suhteen.

Vähemmän monimutkaisia, helpompi visualisoida ja tulkita (esim. lineaarinen regressio, päätöspuut)

Erittäin monimutkaisia, erityisesti syvät verkot, joissa miljoonia parametreja; usein pidetään "musta laatikko" -ratkaisuna

Nopeampi kouluttaa yksinkertaisuuden vuoksi

Vaatii enemmän laskentatehoa ja aikaa, erityisesti suurilla aineistoilla ja syvillä arkkitehtuureilla

Vaatii suuria aineistoja yleistyäkseen hyvin ja välttääkseen ylisovittamisen

Jotkut mallit (esim. lineaarinen regressio) olettavat lineaarisen suhteen piirteiden ja tuloksen välillä

Pystyvät mallintamaan monimutkaisia, epälineaarisia suhteita

Vaatii manuaalista työtä ja asiantuntemusta oikeiden ominaisuuksien luomiseen ja valintaan

Vaatii myös ominaisuuksien suunnittelua, mutta on vähemmän herkkä sille, koska pystyy suodattamaan tarpeettomat ominaisuudet koulutuksen aikana

Kestää suuria aineistoja, mutta ei välttämättä tunnista monimutkaisia kuvioita yhtä tehokkaasti

Skaalautuu hyvin ja tunnistaa monimutkaisia kuvioita, mutta vaatii enemmän laskentatehoa

Vähemmän altis ylisopeutumiselle, mutta riippuu mallista

Altis ylisopeutumiselle ilman oikeita tekniikoita, kuten regularisointia

Helpompi tulkita ja selittää (esim. päätöspuut, lineaarinen regressio)

Usein pidetään "musta laatikko" -ratkaisuina, jolloin päätösten selittäminen on vaikeaa

Vaatii yleensä vähemmän laskentaresursseja

Vaatii merkittävästi laskentaresursseja, erityisesti syvät neuroverkot

## Kuinka valita niiden välillä

1. **Aineiston koko:** pienet aineistot → perinteiset mallit; suuret aineistot → neuroverkot.
2. **Ongelman monimutkaisuus:** yksinkertaiset kuviot → perinteiset; monimutkaiset tehtävät (esim. kuvat) → neuroverkot.
3. **Selitettävyys:** perinteiset mallit ovat helpommin selitettäviä.
4. **Resurssit:** perinteiset mallit vaativat vähemmän laskentaa ja koulutusaika on lyhyempi.

## Yhteenveto

Yhtä oikeaa ratkaisua ei ole olemassa. Kunkin mallityypin **vahvuuksien** ja **rajoitusten** ymmärtäminen auttaa valitsemaan sopivan vaihtoehdon **ongelman**, **datan** ja **resurssien** perusteella. Kokeilu on edelleen luotettavin tapa löytää oikea lähestymistapa.


Mikä mallityyppi on suunniteltu helpommin tulkittavaksi?

Suurtaineistolle, jossa on monimutkaisia, epälineaarisia kuvioita, mikä mallityyppi saattaa olla sopivampi?

Missä tilanteessa saattaisit asettaa perinteisen mallin etusijalle neuroverkon sijaan?

Neuroverkot ovat tehokkaita algoritmeja, jotka on inspiroitu ihmisaivojen rakenteesta ja joita käytetään ratkaisemaan monimutkaisia koneoppimisen ongelmia. Rakennat oman neuroverkkosi alusta alkaen ymmärtääksesi sen toimintaa. Tämän kurssin jälkeen osaat luoda neuroverkkoja luokittelu- ja regressio-ongelmien ratkaisemiseksi scikit-learn-kirjaston avulla.

Ensiksi käsittelemme, mitä neuroverkko on ja miten se toimii. Tarkastelemme myös sen sovellusalueita.

Seuraavaksi rakennamme oman neuroverkon ja tarkastelemme, kuinka tehokkaasti se oppii. Lisäksi käsittelemme valmista ratkaisua scikit-learn-kirjastosta.

Lopuksi annamme sinulle lisätietoa siitä, miten valita sopiva malli ja millaisia neuroverkkoja on olemassa. Kurssin suorittamiseksi osaamisesi testataan.

Neuroverkot vai Perinteiset Mallit

Erot

Rajoitukset

Kuinka valita niiden välillä

Yhteenveto

1. Mikä mallityyppi on suunniteltu helpommin tulkittavaksi?

2. Suurtaineistolle, jossa on monimutkaisia, epälineaarisia kuvioita, mikä mallityyppi saattaa olla sopivampi?

3. Missä tilanteessa saattaisit asettaa perinteisen mallin etusijalle neuroverkon sijaan?