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

**Agrupamento** e **classificação** são técnicas de aprendizado de máquina diferentes, com objetivos distintos.

**Classificação** refere-se à separação em categorias conhecidas (como separar correspondências em caixas previamente rotuladas). **Agrupamento**, por outro lado, trata de descobrir categorias (como encontrar grupos em correspondências não classificadas).

A classificação é comumente utilizada em **detecção de spam** ou **reconhecimento de imagens**, onde as categorias já estão definidas. Por outro lado, o agrupamento é utilizado em cenários como **segmentação de clientes** ou **descoberta de tópicos em uma coleção de documentos**, onde o objetivo é revelar padrões ou agrupamentos ocultos.

Em resumo, a classificação serve para prever **categorias conhecidas**, enquanto o agrupamento auxilia na descoberta de **agrupamentos desconhecidos**. A escolha entre as duas técnicas depende da natureza dos seus dados e do problema a ser resolvido.

Qual das alternativas a seguir melhor destaca a diferença entre classificação e agrupamento?

Obtenha uma compreensão sólida de análise de clusters, uma técnica fundamental de aprendizado não supervisionado para identificar padrões em dados não rotulados. Explore os conceitos essenciais de K-Means, Agrupamento Hierárquico, DBSCAN e GMMs, e adquira experiência prática com conjuntos de dados reais para desenvolver confiança na aplicação de clustering em problemas do mundo real.

Aprofunde-se nos fundamentos do clustering e descubra como ele difere da classificação. Explore algoritmos, ferramentas e bibliotecas essenciais que impulsionam essa técnica de aprendizado não supervisionado para revelar padrões ocultos nos dados.

Obtenha uma compreensão sólida das principais técnicas de pré-processamento que garantem uma clusterização eficaz. Aprenda a lidar com valores ausentes, codificar variáveis categóricas, normalizar dados e escolher medidas de distância e métodos de ligação apropriados para aumentar a precisão da clusterização.

Domine as habilidades necessárias para aplicar a clusterização K-Means de forma eficaz. Compreenda o funcionamento do algoritmo, determine o número ideal de clusters e obtenha experiência prática implementando o K-Means em conjuntos de dados sintéticos e reais.

Explore os conceitos essenciais do agrupamento hierárquico e aprenda a agrupar dados em clusters significativos utilizando dendrogramas. Desenvolva confiança na identificação do número ideal de clusters e na aplicação da técnica em conjuntos de dados sintéticos e do mundo real.

Descubra como o DBSCAN se destaca na detecção de agrupamentos com formas variadas e no tratamento de ruídos nos dados. Compreenda a mecânica por trás deste algoritmo baseado em densidade, como atribuir pontos a agrupamentos e aplicá-lo com confiança em conjuntos de dados sintéticos e reais.

Compreensão sólida de Modelos de Mistura Gaussiana e de como utilizam probabilidade para modelar formas complexas de agrupamentos. Princípios da distribuição Gaussiana, funcionamento dos GMMs e aplicação prática em dados simulados e reais.

Agrupamento vs Classificação

Awesome!

Agrupamento vs Classificação