2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

 

2025 07 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection) 資料清理 (Data Cleaning) 資料分析 (Data Analysis) 資料呈現 (Data Presentation)監督學習 (Supervised Learning)： 基於 標籤數據 訓練模型，用於 預測（回歸）或 分類（如邏輯回歸、神經網路）。 無監督學習 (Unsupervised Learning)： 在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或 主成分分析（PCA）。

AI資料處理的核心流程包含以下四個關鍵步驟： 資料收集 (Data Collection)

資料清理 (Data Cleaning)

資料分析 (Data Analysis)

資料呈現 (Data Presentation)

探索式資料分析 (EDA)

探索式資料分析 (EDA) 是一套包含 資 料 視 覺 化 及 統計知識 和

技術的 數據分析方法，主要目的是 從各個面向 探索數據，

找出 解決問題 的 線索 並進一步 確認問題 及 解決方法。

數據標準化與歸一化：

標準化 (Standardization)：

將數據調整為 零均值 和 單位方差（Z-Score），

適用於 對距離 敏感 的算法。

歸一化 (Normalization)：

將數據 縮放至固定範圍（通常為[0,1]），適用於 神經網絡。

處理類別數據：

標籤編碼 (Label Encoding)：

將 每個 類別 映射 為 數字，適用於 有序類別。

獨熱編碼 (One-Hot Encoding)：

將 每個 類別 轉換 為 二進位向量，適用於 無序類別。

特徵工程 (Feature Engineering)：

特徵選擇：選擇 對 預測 最有影響的 變數（如卡方檢驗、相關性分析）。

特徵創建：從 現有數據 創建 新特徵，以提升模型表現（如 從日期 生成 星期幾）。

特徵縮放與轉換：對數據 進行變換（如對數轉換），使其更適合模型。

Reddit討論串的普遍共識是，特徵工程 和 預處理 是高度領域相關的，

「預處理根據你是在做電腦視覺、自然語言處理、金融時間序列

還是通用數據科學，差異非常、非常大。」，

並沒有一個「萬能公式是每次都有效的」。

監督學習 (Supervised Learning)：

基於 標籤數據 訓練模型，用於 預測（回歸）或

分類（如邏輯回歸、神經網路）。

無監督學習 (Unsupervised Learning)：

在 無標籤數據上 發現模式，如k-means聚類（分組相似客戶）或

主成分分析（PCA）。