AI 術語學習

資料科學 是什麼?

資料科學(Data Science)的定義、完整說明、相關概念與資料來源。

英文
Data Science
內容定位
完整解說 alternate
最後更新
2026-04-16

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

  1. 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?

  2. 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?

  3. 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。

  4. 建模(Modeling) 選擇並訓練合適的演算法,調整超參數。

  5. 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。

  6. 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

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。