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

**Clustering** und **Klassifikation** sind unterschiedliche Techniken des maschinellen Lernens mit jeweils eigenen Zielen.

**Klassifikation** bedeutet das Sortieren in bekannte Kategorien (wie das Sortieren von Post in vorbeschriftete Fächer). **Clustering** hingegen dient dem Entdecken von Kategorien (wie das Finden von Gruppen in unsortierter Post).

Klassifikation wird häufig bei **Spam-Erkennung** oder **Bilderkennung** eingesetzt, bei denen die Kategorien vorgegeben sind. Clustering hingegen findet Anwendung in Szenarien wie **Kundensegmentierung** oder **Themenfindung in einer Dokumentensammlung**, bei denen es darum geht, verborgene Muster oder Gruppierungen aufzudecken.

Kurz gesagt: Klassifikation dient der Vorhersage **bekannter Kategorien**, während Clustering hilft, **unbekannte Gruppierungen** zu entdecken. Die Wahl zwischen beiden Methoden hängt von den Eigenschaften der Daten und der zu lösenden Problemstellung ab.

Welche der folgenden Aussagen beschreibt am besten den Unterschied zwischen Klassifikation und Clustering?

Erwerben Sie ein fundiertes Verständnis der Clusteranalyse, einer zentralen Methode des unüberwachten Lernens zur Entdeckung von Mustern in nicht gelabelten Daten. Erforschen Sie die Grundlagen von K-Means, hierarchischem Clustering, DBSCAN und GMMs und sammeln Sie praktische Erfahrungen mit realen Datensätzen, um Sicherheit bei der Anwendung von Clustering auf reale Problemstellungen zu gewinnen.

Tauchen Sie in die Grundlagen der Clusteranalyse ein und erfahren Sie, wie sie sich von der Klassifikation unterscheidet. Erkunden Sie wesentliche Algorithmen, Werkzeuge und Bibliotheken, die diese Methode des unbeaufsichtigten Lernens unterstützen, um verborgene Muster in Daten zu erkennen.

Erwerben Sie ein fundiertes Verständnis der wichtigsten Vorverarbeitungstechniken, die eine effektive Clusterbildung gewährleisten. Erfahren Sie, wie fehlende Werte behandelt, kategoriale Merkmale codiert, Daten normalisiert und geeignete Distanzmaße sowie Verknüpfungen ausgewählt werden, um die Genauigkeit der Clusterbildung zu erhöhen.

Beherrschen der Fähigkeiten zur effektiven Anwendung des K-Means-Clusterings. Verständnis der Funktionsweise des Algorithmus. Bestimmung der optimalen Clusteranzahl. Praktische Erfahrung durch Implementierung von K-Means auf synthetischen und realen Datensätzen.

Erkunden Sie die Grundlagen des hierarchischen Clusterings und erfahren Sie, wie Daten mithilfe von Dendrogrammen in sinnvolle Cluster gruppiert werden. Sicherheit beim Erkennen der optimalen Clusteranzahl und Anwendung der Methode auf synthetische sowie reale Datensätze.

Erfahren Sie, wie DBSCAN bei der Erkennung von Clustern unterschiedlicher Formen und der Handhabung von Ausreißern in Daten überzeugt. Verstehen Sie die Mechanismen dieses dichtebasierten Algorithmus, die Zuordnung von Punkten zu Clustern und die Anwendung auf synthetische sowie reale Datensätze.

Fundierte Kenntnisse über Gaußsche Mischmodelle und deren Verwendung von Wahrscheinlichkeiten zur Modellierung komplexer Clusterformen. Prinzipien der Gaußschen Verteilung. Funktionsweise von GMMs. Anwendung auf Dummy- und Realweltdaten zur Festigung des Verständnisses.

Clustering vs. Klassifikation

Awesome!

Clustering vs. Klassifikation