就像前言提到的「生成式 AI 所生產的內容都跟你所提供的訓練資料有關」，因此它也有相對的好處，等於你只要有一個強大的機器學習模型，配合你的資料，等於你就可以創造屬於你的專屬 AI，當前的 ChatGPT 其實就有這樣的功能，因此「數據收集」就會是最重要的一課。

先想想你的目的是什麼？需要什麼資料來幫助你

可以先選一個你有興趣的主題，像是股票價格預測、或是個性媒合機器人等等，我這邊舉一個例子，就用「房價預測」來解說

當你想要做到房價預測的時候，應該要思考「什麼樣的資料可以幫助我達成這個目標」，這就會關係到「你需要提供哪些資料」。以房價預測來說：「地段、價格、地價、坪數等」都是很重要的判斷依據，因此根據這些依據後，你就可以上網搜集相關的 raw data

Raw data 的獲取其實是我覺得最難的，大家都知道現在進入到大數據時代，數據反而是最值錢的因此持續的累積可以訓練的 data 也是創造生成式 AI 很重要的一步驟。

Raw Data 形式

[
  {
    "房屋ID": 1,
    "位置": "松山區",
    "房屋面積(坪)": 30,
    "房齡(年)": 5,
    "房價(萬)": 1500
  },
  {
    "房屋ID": 2,
    "位置": "大安區",
    "房屋面積(坪)": 40,
    "房齡(年)": 10,
    "房價(萬)": 2000
  },
  {
    "房屋ID": 3,
    "位置": "信義區",
    "房屋面積(坪)": 35,
    "房齡(年)": 8,
    "房價(萬)": 1800
  }
]

理想的 raw data 包含「資料格式相同」、「具有清楚的可辨識性」、「沒有空值」，但現實是骨感的，我們更常拿到的是這種 data

[
  {
    "房屋ID": 1,
    "位置": "松山區",
    "房屋面積(坪)": "三十",  // 非數字格式
    "房齡(年)": 5,
    "房價(萬)": 1500
  },
  {
    "房屋ID": 2,
    "位置": "大安區",
    "房屋面積(坪)": 40,
    "房齡(年)": "十",  // 非數字格式
    "房價(萬)": null  // 缺失值
  },
  {
    "房屋ID": null,  // 缺失值
    "位置": "信義區",
    "房屋面積(坪)": 35,
    "房齡(年)": 8,
    "房價(萬)": 1800
  },
  {
    "房屋ID": 4,
    "位置": "中山區",
    "房屋面積(坪)": 50,
    "房齡(年)": -3,  // 不合理的負數
    "房價(萬)": 2200
  }
]

我們當然不可能直接把這個數據給程式訓練，只會訓練出無法達到期望的模型，因此就會有我們下一步驟「數據清理」，透過將我們拿到的原始數據整理成我們理想的資料格式，這樣才可以訓練出根據我們資料進行推測的預測模型呦！