Summary  
This chapter explains the differences between supervised classification and unsupervised clustering, focusing on their objectives, data labeling, outputs, and typical algorithm families.  

General domain of usage  
Customer segmentation

**Klyngedannelse** og **klassifikation** er forskellige maskinlæringsteknikker med separate mål.

**Klassifikation** handler om at sortere i kendte kategorier (som at sortere post i forudmærkede kasser). **Klyngedannelse** handler derimod om at opdage kategorier (som at finde grupper i usorteret post).

Klassifikation anvendes ofte til **spamdetektion** eller **billedgenkendelse**, hvor kategorierne er foruddefinerede. Omvendt bruges klyngedannelse i situationer som **kundesegmentering** eller **opdagelse af emner i en samling af dokumenter**, hvor målet er at afsløre skjulte mønstre eller grupperinger.

Kort sagt handler klassifikation om at forudsige **kendte kategorier**, mens klyngedannelse hjælper med at opdage **ukendte grupperinger**. Valget mellem de to afhænger af karakteren af dine data og det problem, du forsøger at løse.

Hvilket af følgende fremhæver bedst forskellen mellem klassifikation og klyngedannelse?

Opnå en solid forståelse af klyngeanalyse, en central ikke-superviseret læringsteknik til at afdække mønstre i uetiketterede data. Udforsk det grundlæggende i K-Means, Hierarkisk Klyngedannelse, DBSCAN og GMM'er, og få praktisk erfaring med rigtige datasæt for at opbygge selvtillid i anvendelsen af klyngeanalyse på virkelige problemstillinger.

Dyk ned i grundlæggende klyngering og opdag, hvordan det adskiller sig fra klassifikation. Udforsk essentielle algoritmer, værktøjer og biblioteker, der driver denne uovervågede læringsteknik til at afdække skjulte mønstre i data.

Opnå et solidt kendskab til centrale forbehandlingsteknikker, der sikrer effektiv klyngeanalyse. Håndtering af manglende værdier, kodning af kategoriske variable, normalisering af data samt valg af passende afstandsmål og koblinger for at øge nøjagtigheden af klyngeanalysen.

Opnå færdighederne til effektiv anvendelse af K-Means clustering. Forstå algoritmens funktion, fastlæg det optimale antal klynger, og få praktisk erfaring med implementering af K-Means på både syntetiske og virkelige datasæt.

Udforsk det grundlæggende i hierarkisk klyngedannelse og lær, hvordan data grupperes i meningsfulde klynger ved hjælp af dendrogrammer. Opnå fortrolighed med at identificere det optimale antal klynger og implementere teknikken på både syntetiske og virkelige datasæt.

Opdag hvordan DBSCAN udmærker sig ved at identificere klynger med varierende former og håndtere støj i data. Få indsigt i mekanismerne bag denne tæthedsbaserede algoritme, hvordan punkter tildeles klynger, og anvend den på både syntetiske og virkelige datasæt med sikkerhed.

Opnå et solidt kendskab til Gaussian Mixture Models og hvordan de anvender sandsynlighed til at modellere komplekse klyngestrukturer. Forstå principperne bag Gaussisk fordeling, undersøg hvordan GMMs fungerer, og opbyg fortrolighed ved at anvende dem på både dummydata og virkelige datasæt.

Klyngedannelse vs. Klassifikation

Awesome!

Klyngedannelse vs. Klassifikation