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

**Klusterointi** ja **luokittelu** ovat erilaisia koneoppimistekniikoita, joilla on omat tavoitteensa.

**Luokittelu** tarkoittaa lajittelua ennalta määriteltyihin kategorioihin (kuten postin lajittelu valmiiksi nimettyihin laatikoihin). **Klusterointi** puolestaan tarkoittaa kategorioiden löytämistä (kuten ryhmien tunnistamista lajittelemattomasta postista).

Luokittelua käytetään yleisesti esimerkiksi **roskapostin tunnistuksessa** tai **kuvantunnistuksessa**, joissa kategoriat ovat ennalta määriteltyjä. Klusterointia taas hyödynnetään tilanteissa kuten **asiakassegmentoinnissa** tai **aiheiden löytämisessä dokumenttikokoelmasta**, joissa tavoitteena on paljastaa piileviä rakenteita tai ryhmiä.

Yhteenvetona: luokittelu ennustaa **tunnettuja kategorioita**, kun taas klusterointi auttaa löytämään **tuntemattomia ryhmiä**. Valinta näiden välillä riippuu datan luonteesta ja ratkaistavasta ongelmasta.

Mikä seuraavista parhaiten kuvaa luokittelun ja klusteroinnin eroa?

Hanki vankka ymmärrys klusterianalyysistä, joka on keskeinen ohjaamattoman oppimisen menetelmä piilevien rakenteiden löytämiseksi merkitsemättömästä datasta. Tutustu K-Means-, hierarkkisen klusteroinnin, DBSCAN:n ja GMM:ien perusteisiin sekä saa käytännön kokemusta aidoista aineistoista, jotta voit soveltaa klusterointia luottavaisesti todellisiin ongelmiin.

Syvenny klusteroinnin perusteisiin ja selvitä, miten se eroaa luokittelusta. Tutustu keskeisiin algoritmeihin, työkaluihin ja kirjastoihin, jotka mahdollistavat tämän valvomattoman oppimisen menetelmän piilevien rakenteiden löytämiseksi datasta.

Perusteellinen ymmärrys keskeisistä esikäsittelytekniikoista, jotka varmistavat tehokkaan klusteroinnin. Puuttuvien arvojen käsittely, kategoristen ominaisuuksien koodaus, datan normalisointi sekä sopivien etäisyysmittareiden ja linkitysten valinta klusteroinnin tarkkuuden parantamiseksi.

Hallitse taidot, joita tarvitaan K-Means-klusteroinnin tehokkaaseen soveltamiseen. Opi algoritmin toimintaperiaate, optimaalisen klusterimäärän määrittäminen sekä käytännön toteutus K-Means-menetelmällä synteettisiin ja todellisiin aineistoihin.

Tutustu hierarkkisen klusteroinnin perusteisiin ja opi ryhmittelemään dataa merkityksellisiin klustereihin dendrogrammien avulla. Vahvista osaamistasi optimaalisen klusterimäärän tunnistamisessa ja menetelmän soveltamisessa sekä synteettisiin että todellisiin aineistoihin.

Tutustu siihen, miten DBSCAN tunnistaa erimuotoisia klustereita ja käsittelee kohinaa aineistossa. Ymmärrä tämän tiheysperusteisen algoritmin toimintaperiaatteet, pisteiden liittäminen klustereihin sekä sen soveltaminen sekä synteettisiin että todellisiin aineistoihin luotettavasti.

Perusteellinen ymmärrys Gaussin sekoitusmalleista ja niiden todennäköisyyspohjaisesta tavasta mallintaa monimutkaisia klusterimuotoja. Gaussin jakauman periaatteet. GMM-mallien toimintaperiaatteet. Soveltaminen sekä esimerkkiaineistoihin että todellisiin aineistoihin.

Ryhmittely vs. Luokittelu

Awesome!

Ryhmittely vs. Luokittelu