演算法模型，泛指能夠透過輸入的訓練資料進行分析，並且針對有興趣的問題輸出預測與分析的方法。因此，最簡單的演算法模型，其實就是我們熟悉的各種統計方法。近代的機器學習，則採用了更複雜的人工神經網路，來達到相同的目的。生物的大腦，本身也是一個透過實體神經細胞連結而成的神經網路，能夠讓針對我們的感覺輸入進行資訊處理，並且產生對應的運動反應輸出。        

  從傳統的統計方法、神經網路、一直到大腦迴路，模型的構造越來越複雜，然而複雜的模型並不一定代表是最好的模型。現在許多人為了趕上機器學習的熱潮，硬是將各種問題全部丟進機器學習裡頭來分析，然而，其中可能有許多研究問題，使用傳統的統計方法更快更準確，這時候使用機器學習並沒有帶來更多的好處，只是讓計算的時間拉長。此外，因為目前的神經網路普遍缺乏可解釋性（explanability），當分析出問題的時候，也無從得知模型的問題在哪裡，讓自己陷入進退兩難的局面。因此在選擇模型時一定要切記，如果一個問題同時可以利用簡單的模型和複雜的模型進行處理，我們必定會優先選擇簡單的模型，在運算上及後續的討論上會更方便並且更有效率。反過來說，想要使用機器學習，便要努力找到一般統計模型難以解決，或是存在特定瓶頸的研究問題，才能夠凸顯機器學習的價值。