二、過去的教育方式限制了我們學習數據分析

傳統教育與數據分析學習方式的不同

論文研究或報告書大多是一次性的結果，歸納整理過往的研究成果，強調貢獻所在。課本上的理論也是如此，歸納整理出規律後，成為理論、模型，或定理、模式，最後成為我們判斷事物的準則。我們經常套用這些理論、模型、定理和模式的使用時機與應用範疇，逐漸形成「套公式」的習慣。

這樣的教育方式訓練我們在特定經驗積累後，抽取出共通性。然而，這種方式忽略了數據隨時間與空間的不斷發展和變化，特徵與規律也會隨之變化，沒有所謂的恆定。

數據分析不同於傳統的理論學習，它是以數據本身為基礎，分析方法為核心，使用工具展現出數據的特徵或規律，所以相比於理論學習更需要靈活應對不同情況，不能先入為主地認為數據特徵或規律為何。

持續追蹤與分析數據的重要性

數據分析不像寫論文或報告那樣只關注一次性結果。數據分析需要持續追蹤並分析數據，這是其特點之一。例如，每月數據公布後，我們需要重新加入分析，並通過「對比法」了解新數據對既有規律的影響。

這些持續的分析能夠提供更全面、更動態的視角，幫助我們準確把握趨勢和變化。不同於靜態的理論模型，數據分析是動態的過程，隨時可能因為新數據的出現而改變我們的理解和預測。

人工智慧時代數據分析的新方法與挑戰

在人工智慧時代，數據分析更是以數據本身特性為主，讓數據展現自己的特徵與規律。「AI數據分析」通過先進的「分析方法」，結合可視化技術，提供更精確的趨勢線和關係圖。例如，時間序列資料中的「時間點」是關鍵信息，我們需要知道何時發生轉折、持續多久、中間變化如何。

這些細節是傳統方法難以捕捉的，人工智慧技術的引入讓我們能更精確地預測未來趨勢。然而，人工智慧時代的數據分析也帶來了新的挑戰：我們必須確保數據的正確性和完整性，並理解人工智慧運算和判斷的局限性。最終，我們需要通過持續的數據分析來驗證和調整模型(這裡指的模型都是有數學結果的模型，不是應用數學運算的模型)，以應對快速變化的現實世界。

電腦科學與傳統數學教育的差異與應用

傳統數學教育通常以理論為主，強調抽象的概念和公式。學生學習的內容多數是通過長期經驗積累而形成的理論模型和定理，這些理論往往是對自然現象或社會現象的抽象描述。數學課本上的理論和定理是經過歸納和整理後的結果，成為了我們判斷事物的準則。

然而，電腦科學教育則更多地關注於實際應用，尤其是在大數據和人工智慧的時代，電腦科學的標準和方法是由電腦科學家們根據工具和技術的發展制定的。這種教育方式更注重實踐和應用，培養學生使用電腦工具進行數據處理和分析的能力。

電腦科學與傳統數學教育差異的應用

傳統數學教育中，理論模型和定理是核心，學生依賴這些理論來解釋現實世界的現象。而電腦科學教育強調從數據出發，讓數據自己說話，揭示數據的特性和規律，而不是先入為主地設定理論框架再用數據來驗證。

即使如此，沿著傳統數學教育而來的電腦科學教育，在演算法的設計上，仍延續先建立模型，再套入數據進行演化。這點使中與電腦科學教育強調的從數據出發，讓數據自己說話的理念相悖。