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

**Klustring** och **klassificering** är olika maskininlärningstekniker med skilda mål.

**Klassificering** handlar om att sortera i kända kategorier (som att sortera post i förmärkta lådor). **Klustring** däremot handlar om att upptäcka kategorier (som att hitta grupper i osorterad post).

Klassificering används ofta vid **spamdetektion** eller **bildigenkänning**, där kategorierna är fördefinierade. Klustring används däremot i scenarier som **kundsegmentering** eller **upptäckt av ämnen i en samling dokument**, där målet är att avslöja dolda mönster eller gruppering.

Sammanfattningsvis handlar klassificering om att förutsäga **kända kategorier**, medan klustring hjälper till att upptäcka **okända gruppering**. Valet mellan de två beror på datans natur och det problem du försöker lösa.

Vilket av följande belyser bäst skillnaden mellan klassificering och klustring?

Få en gedigen förståelse för klusteranalys, en central teknik inom osupervised learning för att identifiera mönster i oetiketterad data. Utforska grunderna i K-Means, Hierarkisk Klustring, DBSCAN och GMM, samt få praktisk erfarenhet med verkliga datamängder för att bygga förtroende i att tillämpa klustring på verkliga problem.

Fördjupa dig i grunderna för klustring och upptäck hur det skiljer sig från klassificering. Utforska viktiga algoritmer, verktyg och bibliotek som driver denna oövervakade inlärningsteknik för att avslöja dolda mönster i data.

Få en gedigen förståelse för viktiga förbehandlingstekniker som säkerställer effektiv klustring. Lär dig hantera saknade värden, koda kategoriska variabler, normalisera data samt välja lämpliga avståndsmått och länkningar för att öka klustringsnoggrannheten.

Behärska de färdigheter som krävs för att tillämpa K-Means-klustring effektivt. Förstå hur algoritmen fungerar, fastställ det optimala antalet kluster och få praktisk erfarenhet genom att implementera K-Means på både syntetiska och verkliga datamängder.

Utforska grunderna i hierarkisk klustring och lär dig hur data kan grupperas i meningsfulla kluster med hjälp av dendrogram. Få förståelse för att identifiera det optimala antalet kluster och tillämpa tekniken på både syntetiska och verkliga datamängder.

Utforska hur DBSCAN utmärker sig vid identifiering av kluster med varierande former och hantering av brus i data. Förstå mekanismerna bakom denna täthetsbaserade algoritm, tilldelning av punkter till kluster samt tillämpning på både syntetiska och verkliga datamängder med säkerhet.

Få en gedigen förståelse för Gaussiska Mixturmodeller och hur de använder sannolikhet för att modellera komplexa klusterformer. Utforska principerna för Gaussisk fördelning, undersök hur Gaussiska Mixturmodeller fungerar och stärk din kompetens genom att tillämpa dem på både simulerad och verklig data.

Klustring vs Klassificering

Awesome!

Klustring vs Klassificering