你其實不是在選技術，而是在辨識自己的思考方式。
AI 世界裡常出現三個名詞：
資料科學（Data Science）、機器學習（Machine Learning）、監督式學習（Supervised Learning）。
多數人把它們當成技術分類，但我越使用 AI、越與不同背景的人合作，越發現：
這三個詞背後，其實藏著三種完全不同的「思考模式」，每個人都在其中擁有自己的偏好與性格。
這篇文章不是技術教學，而是想把「技術背後的思維邏輯」翻譯成更貼近現實的語言。讓你在面對 AI、面對工作、面對合作時，看清楚：你究竟是在用哪一種模式思考。
<轉引本文／改編本文請標註作者（Hsiao-Hsuan Chang, 2025）以及附上本文連結>
資料科學 vs 機器學習 vs 監督式學習
一、資料科學：整理者性格（The Synthesizer Trait）
資料科學真正關心的不是模型，而是 現實世界的混亂。
資料永遠是亂的：有缺漏、有錯字、有不同格式、有奇怪時間軸。
整理者性格的人看到這些，第一反應不是「開始做」，而是：
• 先把東西排好
• 定義清楚語意
• 建構分類與框架
• 讓問題變得「可被模型理解」
他們在做的事情包括：
• 資料清理（Data Cleaning）
• 特徵工程（Feature Engineering）
• 問題框架（Problem Framing）
• 探索式分析（EDA）
這類人天生對「混亂」敏感，也對「秩序」有高度耐受力。
他們常會自動整理桌面、畫結構圖、建立分類系統，
把複雜的資訊整理成可以對話的形式。
整理者的信念很清楚：
「如果問題沒有被定義清楚，任何模型都只會讓混亂更混亂。」
二、機器學習：實驗者性格（The Experimenter Trait）
如果說資料科學是「把世界整理乾淨」，
那機器學習就是「接受世界永遠不會乾淨，然後直接開始實驗」。
實驗者性格的人關注的是「能不能跑得動」。
他們會：
• 先訓練一次再說（Train）
• 調參數（Tune）
• 比較結果（Evaluate）
• 不斷重跑（Rerun）
他們的邏輯不是「做完準備再開始」，而是：
「先跑起來，結果會告訴我下一步。」
實驗者不是衝動，而是一種「從結果反推策略」的能力。
整理者靠架構前進；實驗者靠嘗試前進。
兩者都是必需的，只是擅長的方向不同。
三、監督式學習：整理者 × 實驗者的交會點
監督式學習（Supervised Learning）是最能看見兩種性格如何互補的場域。
它需要兩件事：
（1）人類先定義答案（整理者的工作）
整理資料、標註結果、定義 X（輸入）與 Y（輸出）。
這件事沒有結構不行，完全依賴人類的邏輯能力。
（2）模型再從資料中學 X → Y（實驗者的工作）
機器用大量嘗試與修正，逼近正確答案。
所以監督式學習本質上是一種「協作模式」：
整理者提供語言與秩序，
實驗者讓模型跑起來，
兩者才能變成一個可運作的系統。
⸻
THINKING 留給你的思考
在你的工作和合作經驗裡，
你比較像整理者？實驗者？還是那個擅長對齊的人？
或者，你其實正在不同情境中，
練習切換？
