階段 2 資料基礎

資料是 AI 的原料:階段 2 要練成「拿到資料,知道它是什麼型態、該怎麼處理、能做哪種分析」的基本功。

這一階段學什麼

• 資料類型判斷:結構化(資料庫表格、ERP 訂單)、半結構化(JSON、日誌)、非結構化(手寫描述的掃描檔、影像、語音)— 給三種來源判斷型態,是考題常客
• 大數據特性:資料量(Volume)、速度(Velocity)、多樣性(Variety)— 感測器每秒湧入的即時資料,挑戰的是速度;多源混雜,挑戰的是多樣性
• 資料處理流程:從蒐集、清洗到 ETL 載入,髒資料進、乾淨資料出
• 四種分析層次:敘述性(發生了什麼)、探索性(有什麼模式)、診斷性(為什麼發生)、預測性(接下來會怎樣)
• 隱私與安全:蒐集最小化、去識別化與存取控管,資料安全性是規劃師的底線

為什麼是現在學

階段 1 建立了 AI 分類框架,但沒有資料就沒有 AI:階段 3 的機器學習,本質是「從資料學規律」,資料型態判斷錯、品質沒顧好,模型全盤皆輸。科目一的資料題與科目二的應用規劃題都從這裡出發。

怎麼練(具體行動)

1. 找一份髒資料(缺值、重複、格式亂),動手走完清理流程並記錄每個步驟
2. 做型態判斷練習:ERP 訂單、感測器連續數值紀錄、掃描成 PDF 的手寫異常描述,各屬哪種型態?寫下判斷依據
3. 對同一份資料做四層分析:先描述現況、再找模式、追原因、最後試著預測趨勢
4. 用大數據三特性分析一個真實場景,例如全市感測器的空氣品質監測,指出主要挑戰在哪個 V

完成標準

• 能處理簡單資料並分析趨勢,說得出每個清理步驟的理由(呼應里程碑:能處理簡單資料並分析趨勢)
• 給任何資料來源,能正確判斷結構化、半結構化或非結構化
• 能用量、速度、多樣性描述一個場景的資料挑戰

⚠️ 常見誤區:四種分析層次背得出來卻對不上情境 — 考題給場景問層次,抓關鍵字:「發生什麼、為什麼、會怎樣」。

資料基礎橫跨科目一與科目二,是初級考試裡投資一次、兩科受益的樞紐階段。

📝 本節掛載 2 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。