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

**Klynging** og **klassifisering** er ulike maskinlæringsteknikker med forskjellige mål.

**Klassifisering** handler om å sortere i kjente kategorier (som å sortere post i forhåndsmerkede bokser). **Klynging**, derimot, handler om å oppdage kategorier (som å finne grupper i usortert post).

Klassifisering brukes ofte i **spamdeteksjon** eller **bildetolkning**, hvor kategoriene er forhåndsdefinerte. Klynging brukes derimot i situasjoner som **kundesegmentering** eller **oppdagelse av temaer i en samling dokumenter**, hvor målet er å avdekke skjulte mønstre eller grupperinger.

Kort sagt handler klassifisering om å forutsi **kjente kategorier**, mens klynging hjelper med å oppdage **ukjente grupperinger**. Valget mellom de to avhenger av datatypen og problemet du ønsker å løse.

Hvilket av følgende fremhever best forskjellen mellom klassifisering og klynging?

Få en solid forståelse av klyngeanalyse, en sentral usupervisert læringsteknikk for å avdekke mønstre i umerkede data. Utforsk det grunnleggende om K-Means, hierarkisk klynging, DBSCAN og GMM, og få praktisk erfaring med ekte datasett for å bygge selvtillit i anvendelse av klynging på reelle problemer.

Fordyp deg i det grunnleggende innen klyngeanalyse og oppdag hvordan det skiller seg fra klassifisering. Utforsk sentrale algoritmer, verktøy og biblioteker som driver denne teknikken for ikke-veiledet læring for å avdekke skjulte mønstre i data.

Få en grundig forståelse av sentrale forhåndsbehandlingsteknikker som sikrer effektiv klyngeanalyse. Lær hvordan man håndterer manglende verdier, koder kategoriske egenskaper, normaliserer data og velger passende avstandsmål og koblinger for å øke nøyaktigheten i klyngeanalysen.

Behersk ferdighetene som kreves for å anvende K-Means-klynging effektivt. Lær hvordan algoritmen fungerer, bestem det optimale antallet klynger, og få praktisk erfaring ved å implementere K-Means på både syntetiske og virkelige datasett.

Utforsk det grunnleggende innen hierarkisk klynging og lær hvordan man grupperer data i meningsfulle klynger ved hjelp av dendrogrammer. Bygg trygghet i å identifisere det optimale antallet klynger og implementere teknikken på både syntetiske og virkelige datasett.

Utforsk hvordan DBSCAN utmerker seg i å oppdage klynger med varierende former og håndtere støy i data. Lær mekanismene bak denne tetthetsbaserte algoritmen, hvordan punkter tilordnes klynger, og bruk den på både syntetiske og virkelige datasett med trygghet.

Få en grundig forståelse av Gaussiske blandingsmodeller og hvordan de bruker sannsynlighet for å modellere komplekse klyngeformer. Utforsk prinsippene for Gaussisk fordeling, lær hvordan GMM fungerer, og bygg selvtillit ved å anvende dem på både dummydata og virkelige data.

Klynging vs. Klassifisering

Awesome!

Klynging vs. Klassifisering