Summary  
The chapter explains the distinction between classification and clustering as two machine learning techniques: classification is a supervised approach that assigns data points to predefined labels, while clustering is an unsupervised method that groups unlabeled data by similarity.  

General domain of usage  
Customer segmentation

**Clusterização** 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). **Clusterização**, por outro lado, refere-se à descoberta de categorias (como identificar grupos em correspondências não classificadas).

Descoberta de categorias de correspondências

Separação de correspondências em categorias conhecidas

Classificação é comumente utilizada em **detecção de spam** ou **reconhecimento de imagens**, onde as categorias já estão definidas. Por outro lado, a clusterização é usada 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, classificação refere-se à previsão de **categorias conhecidas**, enquanto clusterização auxilia na descoberta de **agrupamentos desconhecidos**. A escolha entre as duas técnicas depende da natureza dos dados e do problema a ser resolvido.

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

Obtenha uma compreensão sólida da análise de clusters, uma técnica fundamental de aprendizado não supervisionado para descobrir padrões em dados não rotulados. Explore os conceitos essenciais de K-Means, Clusterização Hierárquica, DBSCAN e GMMs, e adquira experiência prática com conjuntos de dados reais para desenvolver confiança na aplicação de clusterização 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. Aprenda como o algoritmo funciona, determine o número ideal de clusters e obtenha experiência prática implementando o K-Means em conjuntos de dados sintéticos e do mundo real.

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 clusters com formatos variados e no tratamento de ruídos nos dados. Compreenda a mecânica por trás deste algoritmo baseado em densidade, como atribuir pontos a clusters e aplicá-lo com confiança em conjuntos de dados sintéticos e reais.

Obtenha uma compreensão sólida dos Modelos de Mistura Gaussiana e de como utilizam probabilidade para modelar formas de clusters complexas. Explore os princípios da distribuição Gaussiana, entenda o funcionamento dos GMMs e desenvolva confiança ao aplicá-los em dados simulados e reais.

Agrupamento vs Classificação