Summary  
This chapter explains the trade-offs between traditional machine learning models and neural networks by comparing their complexity, data requirements, interpretability, training time, and computational needs, and offers guidelines for selecting the appropriate model type.

General domain of usage  
Predictive modeling

Em aprendizado de máquina, existem muitos tipos de modelos. Dois grupos principais são **modelos tradicionais** (regressão linear, árvores de decisão, SVMs) e **redes neurais** (aprendizado profundo). Eles diferem em complexidade, necessidade de dados e interpretabilidade.

## Como Escolher Entre Eles

1. **Tamanho do conjunto de dados:** conjuntos pequenos → modelos tradicionais; conjuntos grandes → redes neurais.
2. **Complexidade do problema:** padrões simples → tradicionais; tarefas complexas (ex.: imagens) → redes neurais.
3. **Interpretabilidade:** modelos tradicionais são mais fáceis de explicar.
4. **Recursos:** modelos tradicionais exigem menos computação e treinam mais rápido.

## Conclusão

Não existe uma escolha universalmente melhor. Compreender os **pontos fortes** e **limitações** de cada tipo de modelo auxilia na seleção conforme o **problema**, **dados** e **recursos**. A experimentação continua sendo a forma mais confiável de encontrar a abordagem adequada.


Qual tipo de modelo é mais interpretável por design?

Para um grande conjunto de dados com padrões complexos e não lineares, qual tipo de modelo pode ser mais adequado?

Em qual cenário pode-se priorizar o uso de um modelo tradicional em vez de uma rede neural?

Redes neurais são algoritmos avançados inspirados na estrutura do cérebro humano, utilizados para resolver problemas complexos de aprendizado de máquina. Você irá construir sua própria Rede Neural do zero para compreender seu funcionamento. Após este curso, será possível criar redes neurais para resolver problemas de classificação e regressão utilizando a biblioteca scikit-learn.

Primeiro, discutiremos o que é uma rede neural e como ela funciona. Também será considerado o escopo de sua aplicação.

Em seguida, tentaremos construir nossa própria rede neural e observar como ela lida com o aprendizado de forma eficiente. Também analisaremos uma solução pronta da biblioteca scikit-learn.

Por fim, forneceremos informações adicionais úteis sobre como entender qual modelo utilizar e quais tipos de redes neurais existem. Para concluir o curso, você será avaliado sobre o conhecimento adquirido.

Redes Neurais ou Modelos Tradicionais

Diferenças

Limitações

Como Escolher Entre Eles

Conclusão

1. Qual tipo de modelo é mais interpretável por design?

2. Para um grande conjunto de dados com padrões complexos e não lineares, qual tipo de modelo pode ser mais adequado?

3. Em qual cenário pode-se priorizar o uso de um modelo tradicional em vez de uma rede neural?