資料科學、AI、機器學習與深度學習各在解什麼問題？

同樣拿到一張訂單表，你可能想知道三件事：上週為什麼比較晚送到、下一張訂單會送多久，以及哪些顧客的購買習慣相近。

它們都在用資料，但需要的答案不同。第一題要整理與比較已發生的事情；第二題要對還沒看到的結果做預測；第三題要從資料裡找結構。若再加上一題「幫顧客寫一封配送通知」，就連輸出的形式也變了。

學資料科學的起點，是先把這些問題分開。否則工具還沒裝好，就已經在比較不適合放在一起的技術。

這篇先建立一張讀懂後續文章的地圖：哪些名詞是範圍、哪些是方法，模型怎麼從資料學習，以及遇到具體需求時，應該先問哪幾個問題。

AI、機器學習與深度學習，是不同大小的範圍

AI，也就是人工智慧，是一個很大的研究與應用範圍，包含讓系統進行辨識、推理、規劃與生成等工作的方法。其中有些方法依賴人寫好的知識或規則，有些則會從資料學習。

機器學習是 AI 中從資料學習規律的一群方法；深度學習又是機器學習中，以多層神經網路學習表示與完成任務的一支。 深度學習並沒有離開機器學習，也不代表其他方法過時。

以三層包含的集合表示AI、機器學習與深度學習的關係 — 圖 1｜只看三層包含關係：AI包含機器學習，機器學習包含深度學習。圖內定義是簡化說明，不表示深度學習等同人腦。來源：Wikimedia Commons，AI-ML-DL.svg，原作Avimanyu786、SVG版Tukijaaliwa及Commons貢獻者，CC BY-SA 4.0。

那資料科學放在哪裡？這個系列把它當成一套圍繞資料工作的實務：定義問題、確認資料如何取得、整理資料、分析與建模，再把結果轉成能檢查的判斷。它會使用統計、程式設計和領域知識，也可能使用機器學習。

例如，你發現配送變慢，是因為報表把「付款到出貨」和「出貨到簽收」混在同一欄。把時間定義拆清楚，再按倉庫比較，可能已經能解決問題。這項工作有資料科學的價值，即使完全沒有訓練神經網路。

名詞	先用這個問題理解	配送情境中的例子
資料科學	如何用資料回答一個可檢查的問題？	找出延遲集中在哪些時段、倉庫或訂單條件
AI	系統要完成哪一種辨識、推理或生成工作？	辨識包裹照片，或產生配送說明
機器學習	能否從過去資料學出對新案例有用的規律？	用歷史訂單預測新訂單的配送時間
深度學習	是否以多層神經網路學習表示和任務？	從包裹影像學習瑕疵特徵

這張表是比較工作的切入點，不是互斥分類。一個包裹影像專案，可以同時是資料科學專案、AI 應用、機器學習與深度學習系統。

同一張資料表，問法不同，學習任務就不同

假設我們在訂單建立時，知道配送距離、品項數、下單時段與倉庫。等訂單完成後，還會知道實際配送時間。

先問「模型要交出什麼」：

想回答的問題	預期輸出	常見任務
這張訂單大約幾分鐘送到？	一個連續數值，例如 35 分鐘	回歸（regression）
這張訂單會不會超過約定時間？	類別，或對類別的分數／機率估計	分類（classification）
哪些訂單或顧客的行為相近？	一組依相似性得到的分群	分群（clustering）
怎麼把配送狀態寫成通知？	一段新文字	生成（generation）

分類模型可以輸出數字，例如延遲分數 0.7；因此不能只看「輸出是不是數字」來區分分類與回歸。要看這個數字代表的是時間、金額等量，還是某個類別的分數。分數能否解讀成可靠機率，還要另外檢查。

生成與分類也不是互斥的技術陣營：同一個語言模型可以產生通知，也可以依提示輸出分類結果。但兩者的任務與驗收標準仍不同。通知要檢查事實、語意與遺漏；延遲預警要檢查漏報、誤報，以及採取行動的成本。

監督式學習：把「題目」和「已知結果」分開

預測配送時間時，每一張歷史訂單是一個樣本（example）。模型在預測當下能使用的欄位，叫特徵（features）；希望預測的結果，叫標籤（label）。

在這裡，特徵可以是距離和下單時段，標籤則是完成後才知道的配送分鐘數。這是監督式學習的典型起點：過去的樣本帶有結果，讓模型學習輸入與結果之間的關係。Google 的監督式學習教材以天氣資料示範同一個分工。

Google 天氣資料範例，左側各欄為特徵，右側 rainfall 為已知標籤 — 圖 2｜先找出模型能看的欄位，以及要預測的欄位。這是原作者的天氣例子，並非本文訂單資料。手機版裁取右側兩個特徵與 rainfall 標籤，其他特徵欄在完整原圖保留。來源：Google，Supervised Learning，依頁面所示 CC BY 4.0 條款引用。

新訂單剛建立時，配送結果還沒發生。這時資料有特徵，卻沒有可供模型讀取的真實標籤。

同一種天氣資料移除 rainfall 標籤後，只留下推論時可用的特徵 — 圖 3｜沒有標籤，不代表沒有資料；它表示答案還未知，模型需要根據現有特徵提出預測。手機版保留原圖右側兩個特徵欄，並非資料只剩這兩個特徵。來源：Google，Supervised Learning，CC BY 4.0。

這裡有一個比選模型更早的檢查：這個欄位在實際預測時，真的已經存在嗎？ 如果拿「簽收時間」去預測配送時間，離線成績可能很好，使用時卻拿不到這個欄位。模型等於在練習時偷看答案。第 08 篇會專門拆解這種資料洩漏。

模型怎麼學？把預測、誤差與更新拆開看

模型不是把整張表變成一團神祕的智慧。可以先把它想成一個帶有可調設定的函數：輸入特徵，產生預測。

在一個簡化的回歸例子中，模型先用目前的參數估出時間，再把估計值和真正的配送時間比較。兩者差多少、什麼錯誤要罰比較重，交給損失函數（loss function）定義。

一個帶標籤的樣本經過模型後產生預測的示意 — 圖 4｜先做預測，才有東西能與已知結果比較。這是運算流程示意，圖中形狀不代表某種特定演算法。來源：Google，Supervised Learning，CC BY 4.0。

假設某張歷史訂單實際花了 40 分鐘，模型猜 25 分鐘。這筆資料會對訓練提供「估得太短」的訊息；學習演算法再依整體目標決定怎麼調整。不能只把這張訂單修到完全正確，卻讓其他訂單的預測全面變差。

模型把預測與真實值比較後進行更新的示意 — 圖 5｜訓練利用預測與真實值之間的差異。這種參數更新圖適合建立直覺；不同演算法的學習方式並不完全相同。來源：Google，Supervised Learning，CC BY 4.0。

接著，模型會接觸更多訓練樣本。有些方法透過梯度調整參數；決策樹則學習在哪個欄位、哪個條件下分割資料。它們都能從資料建立規律，但內部操作不同。

從資料集中取出樣本，反覆預測、比較及更新模型的完整訓練流程 — 圖 6｜把單筆運算放回資料集，才形成訓練過程。這不是「多跑幾次就一定更好」的保證，仍需要觀察未參與訓練的資料。來源：Google，Supervised Learning，CC BY 4.0。

訓練分數很好，為什麼還不能說模型有效？

因為目標是預測未來的新訂單，不是背熟昨天的表格。

評估時，先把一批沒有拿來訓練的資料留下來。模型只看這批資料的特徵，做完預測後，評估程式才拿真實標籤計算誤差。模型的參數不應在這個測試步驟中，依測試標籤繼續調整。

以訓練好的模型對保留資料預測，再由評估端比較預測與真實標籤的流程 — 圖 7｜圖的上半部只把特徵交給模型，下半部才比較答案。若反覆依同一批測試結果調模型，也會漸漸對測試集過度適應。來源：Google，Supervised Learning，CC BY 4.0。

配送資料還多一個時間問題：要模擬「用過去預測未來」，常需要按時間切分，而不是把不同日期隨機混在一起。真正的驗證方式要對應使用情境。資料切分、交叉驗證與誤差分析會在後面分篇處理。

現在先記住兩個詞：訓練（training）是在學規律；推論（inference）是用學好的模型處理新輸入。能做出推論，與推論有沒有用，是兩個需要分別驗證的問題。

沒有標籤，也能找規律；但群集不會自己告訴你意義

假設手上只有顧客的購買次數、平均訂單金額與商品類別，沒有「這個人屬於哪一群」的標準答案。你仍可以依選定的特徵和距離，把相近的資料放在一起。

平面上的資料點依相似性分成三個群集，以三種顏色表示 — 圖 8｜分群先依資料與演算法形成群集，不需要事先提供每一筆的類別答案。這是概念圖，不代表任何真實客群研究結果。來源：Google，What is Machine Learning?，CC BY 4.0。

得到三群之後，還要回頭看：是哪些特徵讓它們分開？換一種縮放或相似性定義，結果會不會大幅改變？群集是否有助於原本的決策？

三個資料群集外圍加上區域邊界，表示演算法得到的分群結果 — 圖 9｜邊界可以把群集分開，卻不能自動證明它們具有業務意義。像「價格敏感型」這樣的命名，需要額外證據。來源：Google，What is Machine Learning?，CC BY 4.0。

如果你把群集 1 命名為「高價值顧客」，那是後續詮釋，不是演算法已經證明的事實。這也是無監督式學習和預先定義類別的分類任務，很容易混淆的地方。

至於「今天要派哪台車，才能讓長期總延遲最少」，又涉及行動如何影響後續狀態和回饋，可能需要排程最佳化、模擬或強化學習等方法。它也不是多加一欄標籤，就自然變成普通分類問題。

要開始一個資料科學題目，先寫下這四句話

在比較線性模型、樹模型或神經網路之前，先把需求寫成能被檢查的形式：

我要在什麼時候，對哪一個對象做判斷？ 例如：訂單建立時，估計這張訂單的配送分鐘數。
那個時間點能取得哪些資料？ 距離和倉庫也許已知，簽收時間還不知道。
什麼結果算有幫助？ 例如，比「一律猜過去典型時間」的簡單基準更準；還要觀察尖峰時段是否特別失準。
哪些錯誤最不能接受？ 提早通知和延後通知的成本，可能很不相同。

這四句話寫得出來，接下來才知道要整理什麼資料、拿哪個方法當基準，以及怎麼判定改進。

這個系列會從表格資料與經典機器學習出發，走到神經網路、電腦視覺、注意力與語言模型，再談生成模型和實務應用。這是一條理解技術的閱讀路徑；早期方法並不因新模型出現，就失去使用與比較的價值。

下一篇〈先讀懂資料：Python、NumPy 與 pandas 的最小工具箱〉，我們會真的打開一份小訂單表，先把資料的列、欄、型態與維度看清楚。

來源與延伸閱讀

Google，What is Machine Learning?：任務分類與分群原圖。
Google，Supervised Learning：樣本、特徵、標籤、訓練、評估與推論原圖。
Wikimedia Commons，AI-ML-DL.svg：包含關係原圖，依CC BY-SA 4.0再利用。
Google教材原圖依CC BY 4.0再利用，見Google網站政策。手機版為原圖局部裁切，沒有改寫原圖數值。

本文的訂單情境與任務比較為教學設例，未使用企業資料，也未宣稱已訓練配送模型。

封面沿用本篇已註明來源的配圖，僅等比縮放並加白邊以保留全圖；圖片原有的署名與授權條件同樣適用於封面版本。