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

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.

Mindre komplekse, enklere å visualisere og tolke (f.eks. lineær regresjon, beslutningstrær)

Svært komplekse, spesielt dype nettverk med millioner av parametere; ofte betraktet som en "svart boks"

Krever mer datakraft og tid, spesielt for store datasett og dype arkitekturer

Krever store datasett for å generalisere godt og unngå overtilpasning

Noen modeller (f.eks. lineær regresjon) antar et lineært forhold mellom egenskaper og utdata

Kan modellere komplekse, ikke-lineære sammenhenger

Krever manuell innsats og domeneekspertise for å lage og velge riktige egenskaper

Krever også feature engineering, men er mindre følsomme for dette, da de kan filtrere ut unødvendige egenskaper under trening

Kan håndtere store datasett, men fanger kanskje ikke opp komplekse mønstre like effektivt

Skalerer godt og fanger opp komplekse mønstre, men krever mer datakraft

Mindre utsatt for overtilpasning, men avhenger av modellen

Utsatt for overtilpasning uten riktige teknikker som regularisering

Enklere å tolke og forklare (f.eks. beslutningstrær, lineær regresjon)

Ofte ansett som "svarte bokser", noe som gjør det vanskelig å forklare avgjørelsene

Krever vanligvis færre beregningsressurser

Krever betydelige beregningsressurser, spesielt dype nevrale nettverk

## 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 ingen universell beste løsning. 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 aktuelt å prioritere bruk av en tradisjonell modell fremfor et nevralt nettverk?

Nevrale nettverk er kraftige algoritmer inspirert av strukturen til den menneskelige hjernen, og brukes til å løse komplekse maskinlæringsproblemer. Du vil bygge ditt eget nevrale nettverk fra bunnen av for å forstå hvordan det fungerer. Etter dette kurset vil du kunne lage nevrale nettverk for å løse klassifikasjons- og regresjonsproblemer ved hjelp av scikit-learn-biblioteket.

Først skal vi diskutere hva et nevralt nettverk er og hvordan det fungerer. Vi vil også vurdere anvendelsesområdet.

Deretter skal vi forsøke å bygge vårt eget nevrale nettverk og se hvor effektivt det håndterer læring. Vi vil også vurdere en ferdig løsning fra scikit-learn-biblioteket.

Til slutt vil vi gi deg tilleggsinformasjon om hvordan du kan forstå hvilken modell som bør brukes og hvilke typer nevrale nettverk som finnes. For å fullføre kurset vil du bli testet på den tilegnede kunnskapen din.

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 aktuelt å prioritere bruk av en tradisjonell modell fremfor et nevralt nettverk?

Nevrale Nettverk eller Tradisjonelle Modeller

Forskjeller

Begrensninger

Hvordan velge mellom dem

Konklusjon