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

**Кластеризація** та **класифікація** — це різні методи машинного навчання з окремими цілями.

**Класифікація** полягає у розподілі на відомі категорії (як сортування пошти у попередньо позначені коробки). **Кластеризація**, навпаки, спрямована на виявлення категорій (як знаходження груп у несортованій пошті).

Прогнозування категорії

Виявлення категорій пошти

Сортування пошти у відомі категорії

Класифікація часто використовується для **виявлення спаму** або **розпізнавання зображень**, де категорії визначені заздалегідь. Натомість кластеризація застосовується у випадках, як-от **сегментація клієнтів** або **виявлення тем у колекції документів**, де мета — виявити приховані закономірності чи групи.

Коротко кажучи, класифікація — це прогнозування **відомих категорій**, а кластеризація допомагає знаходити **невідомі групування**. Вибір між цими підходами залежить від характеру ваших даних і задачі, яку потрібно вирішити.

Яке з наведеного найкраще підкреслює різницю між класифікацією та кластеризацією?

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.

Кластеризація проти класифікації