Data-Science-For-Beginners/translations/hk/1-Introduction/01-defining-data-science/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "8141e7195841682914be03ef930fe43d",
  "translation_date": "2025-09-03T20:04:10+00:00",
  "source_file": "1-Introduction/01-defining-data-science/README.md",
  "language_code": "hk"
}
-->
## 數據的類型

正如我們之前提到的，數據無處不在。我們只需要以正確的方式捕捉它！區分 **結構化數據** 和 **非結構化數據** 是很有用的。前者通常以某種良好結構的形式表示，通常是表格或多個表格，而後者則只是文件的集合。有時我們也會提到 **半結構化數據**，它具有某種結構，但可能差異很大。

| 結構化數據                                                                   | 半結構化數據                                                                                  | 非結構化數據                            |
| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
| 包含人名及其電話號碼的列表                                                   | 帶有鏈接的維基百科頁面                                                                         | 《大英百科全書》的文本                  |
| 過去 20 年中每分鐘建築物所有房間的溫度數據                                   | 以 JSON 格式存儲的科學論文集合，包括作者、出版日期和摘要                                       | 包含公司文件的文件共享                  |
| 進入建築物的所有人的年齡和性別數據                                          | 網頁                                                                                          | 監控攝像頭的原始視頻流                  |

## 數據的來源

數據的來源有很多，幾乎不可能列出所有可能的來源！然而，我們可以提到一些典型的數據來源：

* **結構化數據**
  - **物聯網** (IoT)，包括來自不同傳感器（如溫度或壓力傳感器）的數據，提供了大量有用的數據。例如，如果辦公樓配備了物聯網傳感器，我們可以自動控制供暖和照明以降低成本。
  - **調查問卷**，例如在購買後或訪問網站後要求用戶完成的問卷。
  - **行為分析**，例如幫助我們了解用戶在網站上的瀏覽深度，以及離開網站的典型原因。
* **非結構化數據**
  - **文本**可以提供豐富的洞察，例如整體 **情感分數**，或提取關鍵詞和語義信息。
  - **圖像**或 **視頻**。監控攝像頭的視頻可以用來估算道路上的交通流量，並通知人們可能的交通堵塞。
  - 網絡服務器的 **日誌** 可以用來了解網站上最常被訪問的頁面，以及訪問時長。
* **半結構化數據**
  - **社交網絡**圖表可以提供有關用戶個性及其在信息傳播中的潛在影響力的數據。
  - 當我們擁有一堆派對照片時，我們可以嘗試通過構建人們互相拍照的圖表來提取 **群體動態** 數據。

了解不同的數據來源後，您可以嘗試思考不同的場景，看看數據科學技術如何應用於更好地了解情況並改善業務流程。

## 數據的用途

在數據科學中，我們專注於數據旅程的以下步驟：

## 數字化與數字轉型

在過去十年中，許多企業開始意識到在做出業務決策時數據的重要性。要將數據科學原則應用於業務運營，首先需要收集一些數據，即將業務流程轉化為數字形式。這被稱為 **數字化**。將數據科學技術應用於這些數據以指導決策，可以顯著提高生產力（甚至可能改變業務方向），這被稱為 **數字轉型**。

讓我們考慮一個例子。假設我們有一門數據科學課程（比如這門課程），我們在線上向學生提供，並希望利用數據科學來改進它。我們該怎麼做？

我們可以從問「什麼可以被數字化？」開始。最簡單的方法是測量每位學生完成每個模塊所需的時間，並通過在每個模塊結束時進行選擇題測試來測量所獲得的知識。通過計算所有學生的平均完成時間，我們可以找出哪些模塊對學生來說最具挑戰性，並著手簡化它們。
你可能會認為這種方法並不理想，因為模組的長度可能各不相同。或許更公平的做法是根據模組的長度（以字元數計算）來分配時間，然後比較這些數值。
當我們開始分析多項選擇測試的結果時，我們可以嘗試找出學生難以理解的概念，並利用這些資訊改進內容。為了達到這個目的，我們需要設計測試，使每個問題都能對應到某個特定概念或知識點。

如果我們想進一步深入分析，可以將每個模組所需的時間與學生的年齡類別進行對比。我們可能會發現某些年齡類別的學生需要過長的時間才能完成模組，或者在完成之前就中途退出。這可以幫助我們為模組提供年齡建議，並減少因錯誤期望而導致的不滿。

## 🚀 挑戰

在這個挑戰中，我們將嘗試透過分析文本來找出與數據科學相關的概念。我們會選取一篇關於數據科學的維基百科文章，下載並處理文本，然後建立一個像這樣的文字雲：

![數據科學文字雲](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hk.png)

請訪問 [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') 閱讀程式碼。你也可以執行程式碼，並即時查看它如何進行所有數據轉換。

> 如果你不知道如何在 Jupyter Notebook 中執行程式碼，可以查看 [這篇文章](https://soshnikov.com/education/how-to-execute-notebooks-from-github/)。

## [課後測驗](https://ff-quizzes.netlify.app/en/ds/)

## 作業

* **任務 1**：修改上述程式碼，找出與 **大數據** 和 **機器學習** 領域相關的概念
* **任務 2**：[思考數據科學場景](assignment.md)

## 致謝

這節課由 [Dmitry Soshnikov](http://soshnikov.com) 用 ♥️ 編寫。

---

**免責聲明**：  
本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，請注意自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。