---
title: "資料科學（Data Science）"
slug: data-science
language: zh-TW
source: https://aiterms.tw/terms/data-science
updated_at: 2026-04-16
tags: [資料科學, 機器學習, 統計分析, Python, 職涯]
ipas_term: false
---

# 資料科學（Data Science）

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。

## 完整說明

資料科學（Data Science）是一個整合了統計分析、機器學習、資料工程與商業判斷的跨領域學科。資料科學家的工作流程通常遵循 CRISP-DM（跨行業資料探勘標準流程）：業務理解 → 資料理解 → 資料準備 → 建模 → 評估 → 部署。資料科學與相關領域的邊界容易混淆：它比純統計學更注重實務應用與程式工具；比機器學習工程更強調探索性分析與業務溝通；比資料工程更關注分析洞察而非管線建置。台灣職場中，資料分析師、機器學習工程師、商業智慧（BI）分析師都是資料科學的相關職涯路徑。

## 一句話理解

資料科學家像偵探：原始資料是案發現場，統計工具是放大鏡，機器學習是鑑識科技，最終目標是找出「資料背後的真相」並向業主說清楚。

## 容易混淆

資料科學關注從資料到業務洞察的完整流程；機器學習工程著重演算法開發與模型效能；資料工程則專注於資料管線的建置與維運。

## 關鍵因果

因為資料科學結合了統計推論與程式實作，所以它能將原始資料轉化為可量化的業務洞察，支援更有依據的決策。

## 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。

---

來源：https://aiterms.tw/terms/data-science
快查頁：https://aiterms.tw/terms/data-science
最後更新：2026/04/16
深度解說：https://aiterms.tw/learning/what-is-data-science