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

Inom maskininlärning finns det många olika typer av modeller. Två huvudgrupper är **traditionella modeller** (linjär regression, beslutsträd, SVM) och **neurala nätverk** (djupinlärning). De skiljer sig åt i komplexitet, databehov och tolkbarhet.

Mindre komplexa, enklare att visualisera och tolka (t.ex. linjär regression, beslutsträd)

Mycket komplexa, särskilt djupa nätverk med miljontals parametrar; betraktas ofta som en "svart låda"

Kräver mer beräkningskraft och tid, särskilt för stora datamängder och djupa arkitekturer

Kräver stora datamängder för att generalisera väl och undvika överanpassning

Vissa modeller (t.ex. linjär regression) antar ett linjärt samband mellan egenskaper och utdata

Kan modellera komplexa, icke-linjära samband

Kräver manuell hantering och domänkunskap för att skapa och välja rätt egenskaper

Kräver också feature engineering, men är mindre känsliga för det, eftersom de kan filtrera bort onödiga egenskaper under träning

Kan hantera stora datamängder men kanske inte fånga komplexa mönster lika effektivt

Skalar bra och fångar komplexa mönster men kräver mer beräkningskraft

Mindre benägna till överanpassning, men beror på modellen

Benägna till överanpassning utan rätt tekniker som regularisering

Enklare att tolka och förklara (t.ex. beslutsträd, linjär regression)

Ofta betraktade som "svarta lådor", vilket gör det svårt att förklara deras beslut

Kräver generellt färre beräkningsresurser

Kräver betydande beräkningsresurser, särskilt djupa neurala nätverk

## Hur man väljer mellan dem

1. **Datamängdens storlek:** små datamängder → traditionella modeller; stora datamängder → neurala nätverk.
2. **Problemets komplexitet:** enkla mönster → traditionella; komplexa uppgifter (t.ex. bilder) → neurala nätverk.
3. **Tolkbarhet:** traditionella modeller är enklare att förklara.
4. **Resurser:** traditionella modeller kräver mindre beräkning och tränas snabbare.

## Slutsats

Det finns inget universellt bästa val. Förståelse för varje modelltyps **styrkor** och **begränsningar** hjälper dig att välja det som passar ditt **problem**, dina **data** och dina **resurser**. Experimentering är fortfarande det mest tillförlitliga sättet att hitta rätt tillvägagångssätt.


Vilken modelltyp är mer tolkbar till sin utformning?

För en stor datamängd med komplexa, icke-linjära mönster, vilken modelltyp kan vara mer lämplig?

I vilket scenario kan det vara lämpligt att prioritera en traditionell modell framför ett neuralt nätverk?

Neurala nätverk är kraftfulla algoritmer inspirerade av den mänskliga hjärnans struktur som används för att lösa komplexa maskininlärningsproblem. Du kommer att bygga ett eget neuralt nätverk från grunden för att förstå hur det fungerar. Efter denna kurs kommer du att kunna skapa neurala nätverk för att lösa klassificerings- och regressionsproblem med hjälp av scikit-learn-biblioteket.

Först kommer vi att diskutera vad ett neuralt nätverk är och hur det fungerar. Vi kommer även att behandla dess användningsområden.

Därefter kommer vi att försöka bygga vårt eget neuronnätverk och se hur effektivt det klarar av inlärning. Vi kommer även att titta på en färdig lösning från scikit-learn-biblioteket.

Slutligen kommer vi att ge dig ytterligare användbar information om hur du kan förstå vilken modell som ska användas och vilka typer av neurala nätverk som finns. För att slutföra kursen kommer dina förvärvade kunskaper att testas.

Neurala Nätverk eller Traditionella Modeller

Skillnader

Begränsningar

Hur man väljer mellan dem

Slutsats

1. Vilken modelltyp är mer tolkbar till sin utformning?

2. För en stor datamängd med komplexa, icke-linjära mönster, vilken modelltyp kan vara mer lämplig?

3. I vilket scenario kan det vara lämpligt att prioritera en traditionell modell framför ett neuralt nätverk?