資料科學是結合統計學、程式設計與領域知識,從原始資料中萃取有價值洞察並支援決策的跨學科領域。
資料科學的完整工作流程
CRISP-DM 六步驟
業務理解(Business Understanding) 明確問題定義:我們要解決什麼業務問題?成功標準是什麼?
資料理解(Data Understanding) 探索性資料分析(EDA):資料有哪些欄位?分佈如何?缺失值、異常值情況?
資料準備(Data Preparation) 資料清洗、特徵工程、正規化、處理不平衡資料等。通常佔整個專案 60–80% 時間。
建模(Modeling) 選擇並訓練合適的演算法,調整超參數。
評估(Evaluation) 用業務指標(非只技術指標)評估模型是否真正解決了問題。
部署(Deployment) 將模型整合到生產環境,建立監控機制。
資料科學、AI、ML、統計的差異
| 領域 | 核心關注 | 主要工具 |
|---|---|---|
| 統計學 | 機率推論、假設檢定 | R、SPSS |
| 機器學習 | 演算法與模型效能 | scikit-learn、PyTorch |
| 資料科學 | 從資料到業務洞察 | Python、SQL、Tableau |
| 資料工程 | 資料管線與基礎架構 | Spark、Airflow、dbt |
| AI | 智慧系統建構 | LLM、深度學習框架 |
核心技能樹
程式與工具
- Python:Pandas、NumPy、scikit-learn、Matplotlib
- SQL:資料查詢與聚合
- 視覺化:Tableau、Power BI 或 Python 圖表庫
統計基礎
- 敘述統計(平均數、中位數、標準差)
- 機率分佈與假設檢定
- 相關性與因果推論的區別
機器學習基礎
- 監督式 vs. 非監督式學習
- 過擬合與欠擬合辨識
- 交叉驗證與模型評估指標
台灣資料科學職涯路徑
- 資料分析師:著重 SQL + Excel/Tableau,門檻較低
- 資料科學家:需 Python + 統計 + ML,薪資範圍廣
- 機器學習工程師:偏重模型開發與部署,技術要求高
- AI 產品經理:需懂 AI 但更強調業務,AI 時代熱門轉型路徑
閱讀這頁時的常見誤區
只背中英文對照,無法判斷術語的適用情境。先確認定義,再對照完整說明與相關概念,頁面中的考試比重或出題方向,必須和下方標示的資料來源一起閱讀。
相關術語
相關術語
- 微調(Fine-tuning)
微調是資料科學家常用的模型優化技術
- 生成式人工智慧(Generative AI)
生成式 AI 正在重塑資料科學工作流程
常見問題
資料科學和機器學習是同一件事嗎?
不完全是。機器學習是資料科學的工具之一,但資料科學涵蓋更廣:從業務問題定義、資料清洗、探索性分析,到模型建立、結果溝通,是一個端對端的問題解決流程。有些資料科學工作不需要機器學習,光用統計分析就能得到洞察。
學資料科學一定要懂數學嗎?
基礎統計和線性代數有幫助,但現代工具已大幅降低門檻。對入門者而言,重點是:能理解平均值/標準差/相關性的含義,能解讀模型評估指標(如準確率、AUC)。高深數學在研究型職位才更重要。
台灣學資料科學有哪些資源?
免費資源:Kaggle(練習平台)、Coursera(吳恩達 ML 課程)、台大李宏毅教授 YouTube 課程。職涯建議:先從 SQL 和 Python Pandas 入手,以 Kaggle 比賽建立作品集,再逐步深化 ML 知識。
資料來源
- AITerms.tw 術語資料庫,最後更新:2026-04-16。