接著會詳細的介紹機器學習的每一個步驟在做什麼，這部分專有名詞會比較多，希望大家可以盡量熟悉。
🙋問題定義
在真正進入機器學習流程之前，需要先定義你想要解決的問題。 如何將你的問題、你的痛點，轉換成機器學習可以執行的任務是你們會遇到的第一個難題，原則上可以遵循以下方法來思考:
🎯評估步驟
🧠1. 腦力激盪: 發想有哪些潛在問題、痛點
- 如:達到KPI指標、工作流程改善、降低人力成本...等
- 可以從"不一樣"、"變異大"、"人工多"的方向開始
- 同一個工作，但"流程"不一樣
- 同一個工作，但"完成時間"變異大
- 同樣的流程，但"人工步驟"多
💰2. 效益分析: 從價值、成本與可行性下手
🥇3. 任務排序
由於資源有效，因此需要根據「效益分析」結果進行任務排序：
✅ 優先執行：
- 效益高
- 成本低
- 資料與技術可行性高的任務
📸資料收集 (Data Collection)
選好題目後，接下來的步驟是資料收集，資料來源可以是：CSV 檔、資料庫、API、感測器、開源資料集...等，依據要進行的任務挑選適合的資料集來使用。 資料收集看似很簡單但其實是專案能不能成功很關鍵的一步，因為要確實收集到跟任務相關的資料才有用，通常需要仰賴Domain Knowledge(領域知識)來進行。 例如想做鳶尾花的品種分類，就要找植物專家幫忙定義要收集什麼資料特徵，才能保證這些收集的資料確實可以用於品種分類。
- 通常需具備Domain Knowledge
- 常用工具：各式DataBase、SQL語法、網路爬蟲、kaggle API
- 資料型態又可以分為:結構性資料與非結構性資料
🧱 什麼是結構性資料（Structured Data）？
結構性資料指的是符合 表格格式（Row & Column），且具有 明確欄位名稱與資料型別的資料。每一筆資料都有一致的格式，通常儲存在資料庫、CSV 或 Excel 表格中。
✅ 特點：
- 欄位固定、資料類型明確（如整數、浮點數、類別）
- 容易儲存在關聯式資料庫（如 MySQL、PostgreSQL）
- 易於查詢、分析、建模
- 最常用於傳統機器學習任務
📦 範例：
🌐 什麼是非結構性資料（Unstructured Data）？
非結構性資料指的是沒有固定格式、無法直接以欄位表示的資料類型，常見於文字、圖片、影片、聲音等形式。
❗ 特點：
- 沒有表格結構、需要額外處理轉換
- 無法直接用傳統模型分析
- 需要使用 自然語言處理（NLP）、電腦視覺（CV） 等技術
- 常用於深度學習任務
📦 範例：
- 文本：產品評論、新聞文章、推文
- 影像：臉部辨識、醫學影像
- 聲音：語音辨識、音樂分析
📊 資料類型比較
📌 小結
- 結構化資料：最常用於基礎 ML 教學與競賽，適合用來學習資料處理、建模與特徵工程。
- 非結構化資料：需進階技術轉換為結構化格式後才可建模。
- 大部分的傳統機器學習演算法都依賴結構化格式的 X（特徵）+ Y（標籤） 進行訓練。
📦 資料前處理（Data Preprocessing）
資料前處理是機器學習流程中的「清潔階段」，主要目的是將原始資料轉換為可被模型理解與使用的格式。以及將原始資料中蘊含的雜訊、異常值等垃圾資訊清除乾淨。大家在這個階段可以先專注在"結構型資料"的處理即可。
💡這是進入建立模型階段前不可或缺的前置作業。
🛠️ 特徵工程 (Feature Engineering)
特徵工程是資料處理的進階階段，重點在於創造或轉換出有助於模型表現的特徵，對於不同特徵類型會有不同的特徵工程技術。
📊結構型資料
結構化資料（如表格、數值、類別資料）具有固定的欄位格式，因此可以進行各種數值與類別處理。
🎶非結構型資料
非結構化資料（如文字、圖片、音訊）需要先經過專門處理才能提取出可供機器學習使用的特徵。
📚 文字資料（NLP）
🖼️ 圖像資料（CV）
🔊 聲音資料
🧠 延伸說明：不同資料 → 不同處理策略
🔄 資料前處理 vs 特徵工程
相信有很多人跟我一樣，上完機器學習概述之後還不知道"資料前處理"跟"特徵工程"有什麼差別，這裡也幫大家整理好一個表格了!!! 簡單來說:
- 資料前處理: 讓原始資料變成能使用的乾淨資料
- 特徵工程: 在乾淨資料的前提下，讓模型能力更強!!!
