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** riguarda l'assegnazione a categorie note (come smistare la posta in caselle pre-etichettate). Il **clustering**, invece, consiste nello scoprire categorie (come trovare gruppi in posta non ordinata).

La classificazione è comunemente utilizzata in **rilevamento di 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 pattern nascosti o raggruppamenti.

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

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

Acquisisci una solida comprensione dell'analisi dei cluster, una tecnica chiave di apprendimento non supervisionato per individuare schemi in dati non etichettati. Esplora i fondamenti di K-Means, Clustering Gerarchico, DBSCAN e GMM, e ottieni esperienza pratica con dataset reali per rafforzare la fiducia nell'applicazione del clustering a problemi concreti.

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.

Comprensione approfondita delle principali tecniche di pre-elaborazione che garantiscono un clustering efficace. Gestione dei valori mancanti, codifica delle caratteristiche categoriche, normalizzazione dei dati e selezione di misure di distanza e collegamenti appropriati per migliorare l'accuratezza del clustering.

Acquisizione delle competenze necessarie per applicare efficacemente il clustering K-Means. Comprensione del funzionamento dell'algoritmo, determinazione del numero ottimale di cluster ed esperienza pratica nell'implementazione di K-Means su dataset sintetici e reali.

Esplora i fondamenti del clustering gerarchico e apprendi come raggruppare i dati in cluster significativi utilizzando i dendrogrammi. Acquisisci sicurezza nell'identificazione del numero ottimale di cluster e nell'applicazione della tecnica sia su dataset sintetici che 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, esplorare il funzionamento dei GMM e consolidare le conoscenze applicandoli sia a dati simulati che reali.

Clustering vs Classificazione

Awesome!

Clustering vs Classificazione