模型真正學習的對象
到現在你已經知道，模型是一個帶有可調參數的函數，而監督學習透過觀察樣本來調整這些參數。但樣本從哪來、又由什麼構成？這正是本階梯要講的內容。[[dataset|資料集]]說白了就是一堆樣本的集合——試算表裡的一行行記錄、資料夾裡的一張張照片、資料庫裡的一條條客戶資料。模型永遠看不到真實世界，它看到的只有資料集。所以對模型來說，資料集就等於整個世界。
每一條單獨的記錄叫做一個樣本（也叫示例、實例或一行）。一個樣本可能是一封郵件、一套房源資訊，或一張貓的照片。資料集不過是把許許多多這樣的樣本堆在一起。而真正有意思的問題永遠是同一個：每個樣本說了些什麼，我們又想從中預測出什麼？
特徵與標籤：輸入和答案
在每個樣本內部，我們把資訊分成兩種角色。[[feature|特徵]]是輸入——也就是模型被允許查看的、可測量、可描述的事實。對一套房子來說，特徵可能是面積、臥室數量和所在社區。[[label|標籤]]則是我們希望模型給出的答案——對這套房子而言，也許就是它的成交價。特徵送進去，預測則試圖去匹配應當輸出的標籤。
# One labeled example: features -> label
features = {
"sqft": 1200,
"bedrooms": 2,
"neighborhood": "riverside"
}
label = 450000 # the sale price we want to predict
# A dataset is just many rows like this
dataset = [(features_1, label_1), (features_2, label_2), ...]並不是每個資料集都帶標籤。在監督學習中，每個樣本都附有標籤，而取得這些標籤往往意味著花錢雇人做[[data-annotation|標註]]——一張張點過幾千張圖、標出哪些含有腫瘤，或把評論一條條評為正面或負面。這種標註既慢又貴，這也正是無標籤資料為何要豐富得多的原因。相比之下，挑選好的特徵則是特徵工程的手藝，本階梯後面的指南會專門講。
結構化資料與非結構化資料
資料大體上有兩種形態。結構化資料本就住在整齊的表格裡：每一欄含義清晰，比如年齡、價格或國家。銀行的交易流水、醫院的病歷就是結構化的——每一欄都是現成的特徵。非結構化資料則是除此之外的一切：純文字、影像、音訊、影片。一張照片不過是一格格像素，一則推文不過是一串字元。沒有任何帶標籤的欄位來告訴模型「這塊是天空」或「這個詞是動詞」。
這一區分解釋了很多 AI 歷史。決策樹這類經典方法在整潔的結構化表格上如魚得水。而深度學習之所以引起轟動，正是因為它學會了直接從非結構化的像素和文字中提取有用特徵——這本是過去要靠人手工去做的活。但「非結構化」從不意味著「不用費功夫」，它只是意味著結構被藏了起來，總得有人把它哄出來。
垃圾進，垃圾出
這就是這個領域裡最誠實的一條定律：模型的好壞上限，由它學習的資料決定。如果你有一半的房價輸錯了，或者你的貓照片其實全來自同一個品種，那再聰明的架構也救不了你。模型會忠實地學到資料中的一切規律——包括其中的錯誤。這就是垃圾進、垃圾出，它不是一句套話，而是真實 AI 工作裡每天都在上演的現實。
這正是為什麼現實中大量精力都花在資料清洗上：修正錯別字、去掉重複項、決定缺失值怎麼處理、抓出那條把年齡寫成 999 的記錄。這活兒不起眼，幾乎從不會出現在示範影片裡，卻往往佔了整個工作量的八成。本階梯後面的指南會深入那些更隱蔽的陷阱——資料洩漏、類別失衡、偏見——它們能在資料「看起來」很乾淨時照樣毀掉一個模型。
以資料為中心的 AI：別再調模型了
多年來，一旦模型表現不佳，人們的本能反應就是去換一個更花俏的架構。[[data-centric-ai|以資料為中心的 AI]]則是如今已成主流的反向思路：把模型固定住，轉而去改進資料。在許多真實專案裡，重新標註那 200 個讓模型犯迷糊的樣本，或者修正前後不一致的標註規範，帶來的提升遠超過換一個更大的網路。撬動效果的槓桿，往往藏在資料裡，而不在模型裡。
- 親手看你的資料。真的去讀樣本、去看圖片——大多數問題在訓練之前，肉眼就能發現。
- 找出模型出錯的地方，再去逐一檢查那些樣本——是標籤錯了，還是它本身就模稜兩可？
- 去修正標籤和標註規範，而不只是改那幾行問題資料；標籤一致比標籤完美更重要。
- 用改進後的資料重新訓練再比較——讓資料的變化（而非直覺）來判斷你是否真的有幫助。
所以當你繼續往上爬完這一階梯時，記住一個畫面：模型是人人稱羨的引擎，但資料才是燃料。再了不起的引擎，燒著髒燃料也會咳喘、熄火——宣傳冊上寫多大馬力都沒用。接下來的指南會一步步教你，如何把這份燃料提煉乾淨。