資料基礎概念
資料是資料工程與建模的基礎，品質、來源、結構、分布、表示方式與類型，會影響後續的分析、處理與模型建構。本篇整理資料的基本層次、品質判斷、主要特性、常見表示形式與資料類型，理解資料及運算對象的基礎。
資料與資訊階層
資料可依結構化程度與語意形成過程分為不同層次。Data 是尚未具備完整語意的原始測量或觀察值。
經整理後，資料可形成具備欄位、格式與對應關係的 Dataset，其內容會依不同專案或應用場景定義。資料進一步經處理或轉換後，形成具有語意且可供使用的 Information；由資訊歸納出的規則、模式或推論，則構成 Knowledge。
資料品質
資料品質（Data Quality）用於判斷資料是否可用、可靠，並適合分析或建模。其核心面向包括準確性、完整性、一致性，以及噪音與異常值的辨識。
準確性（Accuracy）要求資料盡可能貼近真實狀況，避免標註錯誤、感測器偏差與記錄錯誤。完整性（Completeness）要求資料具備必要欄位與重要值，以降低缺漏造成的分析偏差或模型失真。一致性（Consistency）要求資料的格式、單位、編碼、時間戳記與標籤方式保持統一，避免解析與整合衝突。
噪音與異常值（Noise and Outliers）可能來自輸入錯誤或設備故障，也可能是真實的極端樣本。是否保留、修正或移除，需依資料目的與使用情境判斷。
資料特性
資料特性（Data Characteristics）描述資料的來源、結構形式與統計分布。依來源可分為真實資料（Real Data）與合成資料（Synthetic Data）。真實資料由實際觀測或事件產生。合成資料則由模型或模擬程序生成，用於補足稀少或難以取得的場景。
依結構形式，資料可分為結構化資料（Structured Data）、半結構化資料（Semi-structured Data）與非結構化資料（Unstructured Data）。結構化資料通常為表格型資料，欄位與格式明確。半結構化資料具有部分結構，例如 JSON 與 XML。非結構化資料則缺乏固定欄位形式，常見於影像、文本與聲音。
Dense Data（稠密資料）
稠密資料（Dense Data）的大多數維度皆具有有效數值，常見於影像、音訊與連續感測資料，通常可使用一般矩陣表示。
Sparse Data（稀疏資料）
稀疏資料（Sparse Data）的大部分特徵為 0，且這些 0 代表有效訊號而非缺失值。稀疏資料常見於 One-hot、TF-IDF 與推薦系統等高維向量。
資料表示方式
資料表示方式（Data Representation Forms）是將資料轉換為模型與演算法可運算的形式。單筆樣本通常可表示為向量，多筆樣本可組成矩陣。影像與影片等多維資料則可使用張量表示。
對於具有節點與關係結構的非歐幾何資料，可使用圖表示（Graph Representation）。圖表示以節點、邊與鄰接矩陣描述社群網路、知識圖譜等資料。
資料類型
資料類型是資料科學與機器學習中常見的分類方式。數值資料（Numerical Data）包含離散數值與連續數值。離散數值通常用於表示可計數的數量。連續數值則可在一定範圍內取任意實值，例如溫度。
類別資料（Categorical Data）可依是否具有順序分為名目資料（Nominal Data）與序數資料（Ordinal Data）。名目資料只有類別差異而沒有順序，例如國家與顏色。序數資料具有順序，但類別間的間隔不一定相等，例如等級評分。
此外，資料也可依內容或媒介分為二元、文本、影像、音訊、影片、時間序列與圖資料。這些分類可能彼此重疊。時間序列可以是數值資料，圖資料也可以包含文本或類別特徵。
