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** en **classificatie** zijn verschillende machine learning-technieken met uiteenlopende doelen.

**Classificatie** betreft het indelen in bekende categorieën (zoals post sorteren in vooraf gelabelde vakken). **Clustering** daarentegen draait om het ontdekken van categorieën (zoals het vinden van groepen in ongesorteerde post).

Classificatie wordt vaak toegepast bij **spamdetectie** of **beeldherkenning**, waarbij de categorieën vooraf zijn gedefinieerd. Clustering wordt daarentegen gebruikt in situaties zoals **klantsegmentatie** of **het ontdekken van onderwerpen in een verzameling documenten**, waarbij het doel is om verborgen patronen of groeperingen te onthullen.

Kortom, classificatie voorspelt **bekende categorieën**, terwijl clustering helpt bij het ontdekken van **onbekende groeperingen**. De keuze tussen beide hangt af van de aard van de data en het probleem dat opgelost moet worden.

Welke van de volgende opties benadrukt het verschil tussen classificatie en clustering het beste?

Verkrijg een grondig begrip van clusteranalyse, een belangrijke unsupervised learning-techniek voor het ontdekken van patronen in niet-gelabelde data. Verken de basisprincipes van K-Means, Hiërarchische Clustering, DBSCAN en GMM's, en doe praktische ervaring op met echte datasets om vertrouwen te krijgen in het toepassen van clustering op praktijkproblemen.

Verdiep u in de basisprincipes van clustering en ontdek het verschil met classificatie.
Verken essentiële algoritmen, tools en bibliotheken die deze unsupervised learning-techniek aandrijven om verborgen patronen in data te onthullen.

Verkrijg een grondig begrip van essentiële preprocessietechnieken die effectieve clustering waarborgen.
Behandeling van ontbrekende waarden.
Codering van categorische kenmerken.
Normalisatie van gegevens.
Selectie van geschikte afstandsmaatstaven en koppelingen ter verbetering van de clusteringnauwkeurigheid.

Beheers de vaardigheden die nodig zijn om K-Means-clustering effectief toe te passen. Leer hoe het algoritme werkt, bepaal het optimale aantal clusters en doe praktische ervaring op met het implementeren van K-Means op zowel synthetische als realistische datasets.

Ontdek de basisprincipes van hiërarchische clustering en leer hoe u gegevens groepeert in betekenisvolle clusters met behulp van dendrogrammen. Vergroot het vertrouwen in het identificeren van het optimale aantal clusters en het toepassen van de techniek op zowel synthetische als realistische datasets.

Ontdek hoe DBSCAN uitblinkt in het detecteren van clusters met verschillende vormen en het omgaan met ruis in data. Begrijp de werking van dit dichtheidsgebaseerde algoritme, de toewijzing van punten aan clusters en de toepassing op zowel synthetische als echte datasets met vertrouwen.

Verkrijg een grondig begrip van Gaussiaanse mengmodellen en hoe deze waarschijnlijkheid gebruiken om complexe clusterstructuren te modelleren. Inzicht in de principes van de Gauss-verdeling, verkenning van de werking van GMM's en het opbouwen van vertrouwen door toepassing op zowel fictieve als realistische gegevens.

Clustering Versus Classificatie

Awesome!

Clustering Versus Classificatie