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** y **clasificación** son técnicas de aprendizaje automático diferentes con objetivos distintos.

La **clasificación** consiste en asignar elementos a categorías conocidas (como clasificar el correo en cajas previamente etiquetadas). Por otro lado, el **clustering** se trata de descubrir categorías (como encontrar grupos en correo sin clasificar).

La clasificación se utiliza comúnmente en **detección de spam** o **reconocimiento de imágenes**, donde las categorías están predefinidas. Por otro lado, el clustering se emplea en escenarios como la **segmentación de clientes** o el **descubrimiento de temas en una colección de documentos**, donde el objetivo es revelar patrones o agrupaciones ocultas.

En resumen, la clasificación consiste en predecir **categorías conocidas**, mientras que el clustering ayuda a descubrir **agrupaciones desconocidas**. La elección entre ambas depende de la naturaleza de los datos y del problema que se desea resolver.

¿Cuál de las siguientes opciones resalta mejor la diferencia entre clasificación y clustering?

Adquiera una comprensión sólida del análisis de conglomerados, una técnica clave de aprendizaje no supervisado para descubrir patrones en datos no etiquetados. Explore los conceptos esenciales de K-means, clustering jerárquico, DBSCAN y GMM, y obtenga experiencia práctica con conjuntos de datos reales para desarrollar confianza en la aplicación del clustering a problemas del mundo real.

Adéntrese en los fundamentos del clustering y descubra cómo se diferencia de la clasificación. Explore algoritmos, herramientas y bibliotecas esenciales que impulsan esta técnica de aprendizaje no supervisado para revelar patrones ocultos en los datos.

Adquiera una comprensión sólida de las principales técnicas de preprocesamiento que garantizan una agrupación efectiva. Aprenda a manejar valores faltantes, codificar características categóricas, normalizar datos y seleccionar medidas de distancia y métodos de enlace apropiados para mejorar la precisión del agrupamiento.

Domine las habilidades necesarias para aplicar el agrupamiento K-Means de manera efectiva. Comprenda el funcionamiento del algoritmo, determine el número óptimo de clústeres y adquiera experiencia práctica implementando K-Means en conjuntos de datos sintéticos y reales.

Explora los conceptos esenciales del clustering jerárquico y aprende a agrupar datos en clústeres significativos utilizando dendrogramas. Desarrolla confianza en la identificación del número óptimo de clústeres y en la implementación de la técnica tanto en conjuntos de datos sintéticos como reales.

Descubra cómo DBSCAN destaca en la detección de agrupamientos con formas variadas y en el manejo de ruido en los datos. Conozca la mecánica detrás de este algoritmo basado en densidad, el proceso de asignación de puntos a agrupamientos y su aplicación tanto en conjuntos de datos sintéticos como reales con confianza.

Adquirir una comprensión sólida de los Modelos de Mezcla Gaussiana y cómo utilizan la probabilidad para modelar formas de clúster complejas. Estudio de los principios de la distribución gaussiana, exploración del funcionamiento de los GMM y consolidación de conocimientos mediante su aplicación en datos simulados y reales.

Agrupamiento vs Clasificación

Awesome!

Agrupamiento vs Clasificación