[場景]
小瑜是銀行負責核貸的人員，她緊張地盯著手裡的資料，害怕一不小心看錯數據，將導致貸款核准結果偏差，造成銀行的損失。
偏偏手中的資料有好多形式：表格、證件、說明文件...，她一遍又一遍的檢查著。
例如：
。 數字的部分（18 變成180）
。 資料標記不一致（「男 / male / M」混在一起）
。 資料缺失的部分亂補（有些填 X，有些填 0）
以上情形，經常出現在各行各業場景中，不僅是人會看錯，電腦系統也會因為資料內容的混亂而產生錯誤。
人工智慧也是一樣，再強的模型，遇到這種「亂七八糟」的資料，都只是在「放大錯誤」。
套句老話：神仙也難救。
這就是 AI 領域最經典的一句話：
Garbage In, Garbage Out（輸入垃圾，輸出垃圾）
讓我們先弄清楚：
📊 一、什麼是資料？（Data）
在 AI 與機器學習中，資料（Data）不是單純的數字，它可能是文字、圖片、影片等等，而且這些資料的格式也可能不同。
根據 IPAS考綱，資料處理是 AI 的核心基礎之一。
一般來說，在資料科學、資料庫或資訊領域中，我們會將「資料」（Data）依照 結構化程度(或稱型態) 分成三大類：
1. 結構化資料 (Structured Data)
- 特徵：資料有明確的結構、固定的格式，通常以表格（Table）或資料庫形式存在。
- 例子：
- Excel 表格
- SQL 資料庫中的資料（如客戶資料表、訂單表）
- 數字、日期、類別欄位（性別、年齡、金額等）
- 優點：容易查詢、分析、儲存，適合用傳統資料庫管理。
- 處理工具：SQL、Excel、Python 的 Pandas 等。
- 處理難度：最低。
2. 半結構化資料 (Semi-structured Data)
- 特徵：有一定的結構，但不像結構化資料那麼嚴格，沒有固定表格形式，通常使用「標籤」或「鍵值」來組織資料。
- 例子：
- JSON 格式的資料
- XML 檔案
- HTML 網頁
- NoSQL 資料庫（如 MongoDB）
- 日誌檔案（Log）
- 優點：彈性較高，能夠儲存較複雜的資料。
- 處理工具：Python 的 JSON 模組、NoSQL 資料庫等。
- 處理難度：中等。
3. 非結構化資料 (Unstructured Data)
- 特徵：完全沒有固定結構，資料形式自由多變，很難直接用表格表示。
- 例子：
- 文字（文章、社群貼文、email）
- 圖片、影片、音訊
- PDF 文件
- 感測器產生的原始資料
- 優點：最接近真實世界的資料形式，資訊含量最高。
- 處理工具：需要使用 AI、自然語言處理（NLP）、電腦視覺等技術來分析。
- 處理難度：最高。
🧠二、結構化資料(機器學習最常使用)
機器學習將結構化的資料拆成兩個重要角色：
1️⃣ 特徵（Features）
👉 就像記錄、觀察到的東西，例如身高、體重、年齡等等。也是模型用來 「判斷」 的資訊依據。
例如：
- 年齡
- 收入
- 點擊次數
- 健康檢查數據
2️⃣ 標籤（Labels）
👉 就像問題的答案，例如「是男/女」、「是健康/不健康」等等。也是我們希望模型學會的判斷結果。
例如：
- 信用的好壞（Yes / No）
- 垃圾郵件 / 正常郵件
📌 簡單理解：
特徵（Features）→ 輸入(要分析的數據，資料表的欄位內容)
標籤（Labels）→ 輸出(要獲得的答案，預測的結果)
⚠️ 三、資料品質，決定模型的能力上限
資料有三個核心問題：
1️⃣ 錯誤（Incorrect Data）
- 資料內容(輸入)錯誤
- 答案標示(標籤)錯誤
👉 結果：模型 → 學錯
2️⃣ 不完整（Missing Data）
- 缺失值（Missing Values）：包含空白、用符號代表空缺
👉 結果：模型學不到規則
3️⃣ 不一致（Inconsistent Data）
- 單位不同（mm / cm / m）
- 格式不同（2024/01 vs 01-2024）
👉 結果：模型難以理解
📌 關鍵觀念：
模型能力的上限 = 資料品質的上限
這也是為什麼「資料處理與分析流程」會被列為考試重點
🧭 結論：資料不是前置作業，而是「核心能力」
很多人把資料當成：
👉「建模之前的準備工作」
但其實在實務與考試中：
👉 資料本身，就是 AI 的核心能力之一
▶ Next：我們該來談談——資料怎麼處理？
👉 資料預處理（Data Preprocessing） 到底在做什麼？
課程說明
🔖 以下內容為本系列的學習安排與閱讀指引。
- 為方便大家學習，我將全部章節進行劃分，詳見導覽文。
- 本系列文章區分為「免費文」與「收費文」，
目的在於清楚分開「初步認識」與「深入理解」兩個學習階段。 收費內容將在基礎概念之上，整合重點圖表與說明，並融入個人教學與應考經驗， 協助讀者建立可實際運用的理解框架。 - 各系列的收費文章皆以「考試情境」為主軸進行整理，
不僅補齊必要的模型原理與判斷邏輯， 亦會搭配模擬題與選項解析， 協助學習者從「看懂內容」，進一步轉化為「選得正確」。
