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** e **classificazione** sono tecniche di machine learning differenti con obiettivi distinti.

La **classificazione** consiste nell'assegnare elementi a categorie note (come smistare la posta in caselle già etichettate). Il **clustering**, invece, riguarda la scoperta di categorie (come individuare gruppi in una posta non ordinata).

La classificazione viene comunemente utilizzata in **rilevamento dello spam** o **riconoscimento di immagini**, dove le categorie sono predefinite. Al contrario, il clustering viene impiegato in scenari come la **segmentazione della clientela** o la **scoperta di argomenti in una raccolta di documenti**, dove l'obiettivo è rivelare schemi o raggruppamenti nascosti.

In sintesi, la classificazione serve a prevedere **categorie note**, mentre il clustering aiuta a scoprire **raggruppamenti sconosciuti**. La scelta tra le due tecniche dipende dalla natura dei dati e dal problema da risolvere.

Quale delle seguenti affermazioni evidenzia meglio la differenza tra classificazione e clustering?

Acquisire una solida comprensione dell'analisi dei cluster, una tecnica chiave di apprendimento non supervisionato per individuare schemi in dati non etichettati. Esplorare i fondamenti di K-Means, Clustering Gerarchico, DBSCAN e GMM, con esperienza pratica su dataset reali per sviluppare sicurezza nell'applicazione del clustering a problemi reali.

Approfondimento sui fondamenti del clustering e sulle differenze rispetto alla classificazione. Esplorazione degli algoritmi, strumenti e librerie essenziali che alimentano questa tecnica di apprendimento non supervisionato per individuare schemi nascosti nei dati.

Acquisizione di una solida comprensione delle principali tecniche di preprocessamento che garantiscono un clustering efficace. Gestione dei valori mancanti, codifica delle variabili categoriche, normalizzazione dei dati e selezione di misure di distanza e metodi di collegamento appropriati per migliorare l'accuratezza del clustering.

Acquisire le competenze necessarie per applicare efficacemente il clustering K-Means. Comprendere il funzionamento dell'algoritmo, determinare il numero ottimale di cluster e acquisire esperienza pratica implementando K-Means su dataset sintetici e reali.

Esplora i fondamenti della clusterizzazione gerarchica e scopri come raggruppare i dati in cluster significativi utilizzando i dendrogrammi. Acquisizione di competenze nell'identificazione del numero ottimale di cluster e nell'applicazione della tecnica su dataset sintetici e reali.

Scopri come DBSCAN eccelle nell'individuare cluster di forme diverse e nella gestione del rumore nei dati. Esplora i meccanismi alla base di questo algoritmo basato sulla densità, le modalità di assegnazione dei punti ai cluster e la sua applicazione sia a set di dati sintetici che reali con sicurezza.

Acquisire una solida comprensione dei Gaussian Mixture Models e di come utilizzano la probabilità per modellare forme di cluster complesse. Esaminare i principi della distribuzione gaussiana, analizzare il funzionamento dei GMM e consolidare le conoscenze applicandoli sia a dati simulati che reali.

Clustering vs Classificazione

Awesome!

Clustering vs Classificazione