0. Sieci neuronowe jako Black Box- są świetnym modelem uczenia maszynowego
   ale nie mają odpowiedniej reprezentacji wiedzy, gdyż są nieczytelne 
   dla człowieka
1. są modele uczenia maszynowego które reprezentuję wiedzę w sposób przejrzysty dla 
człowieka;; są to m.in.:
	- reguły decyzyjne (np kod programowania z funkcją IF)
	- drzewa decyzyjne
2. Metoda ID3 (czyli jak generować automatycznie drzewa decyzyjne):
	- wybieramy atrybut
	- tworzymy rozgałęzienie dla poszczególnego atrybutu
	- powtarzamy 1 i 2 aż zostaną tylko elementy jednej kategorii 
//intuicyjnie atrybut jest tym lepszy im lepiej 'rozdziela kategorie'
//przy podziale kolejny atrybut należy wybrać tak by dla danej miary 
  występował on najczęściej 

//najczęściej stosowanym w praktyce algorytmem do budowy drzew jest 
  algorytm C4.5, zawiera on ulepszenia m.in:
	- zapobiega przetrenowaniu przez upraszczanie drzewa
3. Złożoność modelu:
//Im bardziej złożony model tym lepiej odwzorowane niuanse ale też
 większe ryzyko przetrenowania (czyli dostosowanie się modelu na 
sztywno bez uogólniania wiedzy na nieznane przypadki)

MODEL POWINIEN BYĆ JAK NAJPROSTSZY:
	*za krótki powoduję długi i kosztowny obliczeniowo proces uczenia 
	*za długi powoduję przetrenowanie 
	 (i brak możliwości uogólniania na nieznane przypadki)
4.Jeśli jest z amało danych uczących tostosuję się metody:
	*walidacji krzyżowej (najbardziej popularna)
		-pozwala użyć całego zbioru treningowego i jednocześnie
		 nie oceniać tylko na podstawie zbioru treningowego
		-dzielimy zbiór treningowy na cześć treningową i ewaluacyjną
	*leave-one-out
	*bootstrap