Summary  
Clustering is an unsupervised learning technique that groups data points into clusters based on feature similarity without using predefined labels.

General domain of usage  
Image segmentation

**Кластеризація** — це потужний метод, який допомагає знаходити природні групи у даних. Це схоже на автоматичне сортування об'єктів за **схожістю**. Замість попередньо визначених категорій, кластеризація знаходить категорії **безпосередньо з даних**.

Визначення

Уявіть, що у вас є велика колекція об'єктів, і ви хочете організувати їх у **змістовні групи**. Наприклад, згадайте про книги у бібліотеці. Бібліотеки організовують книги за **категоріями**, такими як художня література, наука, історія тощо. Це полегшує пошук потрібних книг — саме цим і займається **кластеризація**.

По суті, кластеризація полягає у наступному: 

- **Групування схожих точок даних разом:** точки даних у межах одного кластера більш схожі між собою, ніж з точками інших кластерів; 

- **Виявлення прихованих структур:** кластеризація може розкривати приховані закономірності та організацію в даних, які не є очевидними на перший погляд; 

- **Упорядкування складних даних:** групування даних спрощує великі набори даних і допомагає краще їх зрозуміти. 

Кластеризація використовується у багатьох різних галузях і для широкого спектра завдань.

Яка основна мета кластеризації?

Отримайте ґрунтовне розуміння кластерного аналізу — ключового методу неконтрольованого навчання для виявлення закономірностей у неозначених даних. Дослідіть основи K-Means, ієрархічного кластерування, DBSCAN та GMM, а також отримайте практичний досвід роботи з реальними наборами даних для впевненого застосування кластеризації до реальних задач.

Занурення в основи кластеризації та виявлення відмінностей від класифікації. Огляд основних алгоритмів, інструментів і бібліотек, що забезпечують роботу цього методу неконтрольованого навчання для виявлення прихованих закономірностей у даних.

Отримайте ґрунтовне розуміння ключових методів попередньої обробки, які забезпечують ефективне кластерування. Дізнайтеся, як обробляти пропущені значення, кодувати категоріальні ознаки, нормалізувати дані та обирати відповідні міри відстані й методи зв’язування для підвищення точності кластеризації.

Опановуйте навички, необхідні для ефективного застосування кластеризації K-Means. Дізнайтеся, як працює алгоритм, визначайте оптимальну кількість кластерів та отримуйте практичний досвід, впроваджуючи K-Means на синтетичних і реальних наборах даних.

Ознайомлення з основами ієрархічного кластерування та групування даних у змістовні кластери за допомогою дендрограм. Формування впевненості у визначенні оптимальної кількості кластерів і застосуванні методу до синтетичних і реальних наборів даних.

Дізнайтеся, як DBSCAN ефективно виявляє кластери різної форми та обробляє шум у даних. Ознайомтеся з принципами роботи цього алгоритму на основі щільності, методами призначення точок до кластерів і застосуванням до синтетичних та реальних наборів даних.

Отримайте ґрунтовне розуміння моделей змішування Гауса та того, як вони використовують ймовірність для моделювання складних форм кластерів. Ознайомтеся з принципами гаусового розподілу, дослідіть роботу GMM та закріпіть знання шляхом застосування до тестових і реальних даних.

Вступ до Кластеризації