Summary  
This chapter explains how to compare and select between traditional machine learning models and neural networks by evaluating aspects such as complexity, data requirements, interpretability, and computational resources. It outlines criteria like dataset size, problem complexity, and resource availability to guide model choice.

General domain of usage  
Machine learning

Innen maskinlæring finnes det mange ulike modelltyper. To hovedgrupper er **tradisjonelle modeller** (lineær regresjon, beslutningstrær, SVM-er) og **nevrale nettverk** (dyp læring). De skiller seg fra hverandre når det gjelder kompleksitet, databehov og tolkbarhet.

## Hvordan velge mellom dem

1. **Datasettstørrelse:** små datasett → tradisjonelle modeller; store datasett → nevrale nettverk.
2. **Problemkompleksitet:** enkle mønstre → tradisjonelle; komplekse oppgaver (f.eks. bilder) → nevrale nettverk.
3. **Tolkbarhet:** tradisjonelle modeller er lettere å forklare.
4. **Ressurser:** tradisjonelle modeller krever mindre datakraft og trenes raskere.

## Konklusjon

Det finnes ikke ett universelt beste valg. Forståelse av hver modelltypes **styrker** og **begrensninger** hjelper deg å velge det som passer til ditt **problem**, **data** og **ressurser**. Eksperimentering er fortsatt den mest pålitelige måten å finne riktig tilnærming på.


Hvilken modelltype er mer tolkbar av natur?

For et stort datasett med komplekse, ikke-lineære mønstre, hvilken modelltype kan være mer egnet?

I hvilket scenario kan det være hensiktsmessig å prioritere bruk av en tradisjonell modell fremfor et nevralt nettverk?

Fokuserer på de matematiske grunnprinsippene og kjernemekanismene i nevrale nettverk. Lær hvordan man implementerer perseptroner, aktiveringsfunksjoner, fremover- og bakoverpropagering, tapsberegning og gradientnedstigning fra bunnen av ved bruk av Python og NumPy, uten å benytte høynivå-rammeverk. Oppnå praktisk, hands-on erfaring og dyp intuisjon for hvordan nevrale nettverk fungerer på det laveste nivået.

Nevrale Nettverk eller Tradisjonelle Modeller

Forskjeller

Begrensninger

Hvordan velge mellom dem

Konklusjon

1. Hvilken modelltype er mer tolkbar av natur?

2. For et stort datasett med komplekse, ikke-lineære mønstre, hvilken modelltype kan være mer egnet?

3. I hvilket scenario kan det være hensiktsmessig å prioritere bruk av en tradisjonell modell fremfor et nevralt nettverk?