本篇說明 AI 專案中資料的重要性，從「資料來源」到「資料清理」建立完整前處理觀念。資料可來自內、外部平台，不同來源影響品質與風險。接著介紹常見的資料問題，包括缺失值、重複值與離群值，它們可能導致模型判斷失準。最後整理資料處理流程。強調 AI 成效取決於資料品質，而非模型複雜度。

職場

國際

以行動支持創作者！付費即可解鎖

這是一個關於「理解」與「實作」的學習沙龍。
我會分享程式與 AI 認證的學習脈絡，拆解考點背後的邏輯，
幫助學習者在快速變動的科技環境中，建立真正可用的能力。
這個沙龍適合：
・正在準備程式或 AI 相關認證的人
・剛開始學程式，卻覺得觀念零散的人
・轉職中，希望打好基礎、不想只追流行名詞的人