114 關務特考三等 電機工程(選試英文)科別 計算機概論 考古題詳解

核心觀念

每個樣本以 $n$ 個位元表示時，可表示的準位數為 $2^n$。資料總量則由「每秒樣本數 × 每個樣本的位元數 × 時間」計算。

本題每秒有 $8000$ 個樣本，每個樣本 $24$ 位元，串流時間為 $1$ 分鐘，即 $60$ 秒。

解題方法

（一）每一樣本的準位數

每個樣本使用 $24$ 位元，因此可表示的準位數為：

（二）一分鐘影音串流的數位資訊量

先計算每秒位元數：

核心觀念

本題考遞迴演算法：將問題縮小為規模較小的同類問題，並設定終止條件，使遞迴最終停止。

組合數 $c(m,k)=\binom{m}{k}$ 表示從 $m$ 個不同物件中選取 $k$ 個，不計排列順序。其遞迴關係為：

這是因為可依某一指定物件是否入選分成兩類：入選時還需從其餘 $m-1$ 個物件選 $k-1$ 個；未入選時則從其餘物件選 $k$ 個。

最大公因數可用歐幾里得演算法，其核心性質為：

解題方法

（一）組合數的遞迴演算法

當 $k=0$ 或 $k=m$ 時，只有一種選法，故 $c(m,k)=1$。其餘情況依上述遞迴關係，將問題拆成兩個較小的組合數。

FUNCTION C(m, k)
 IF k < 0 OR k > m THEN
 RETURN 0
 END IF

 IF k = 0 OR k = m THEN
 RETURN 1
 END IF

 RETURN C(m - 1, k - 1) + C(m - 1, k)
END FUNCTION

其中 $k<0$ 或 $k>m$ 的情形不屬於有效選取範圍，設定回傳 $0$ 可使邊界處理完整。若題目只考有效範圍 $0\le k\le m$，此檢查可省略。

（二）最大公因數的遞迴演算法

一、核心觀念

本題要說明機器學習與深度學習的定義、運作流程、常見方法及應用，並比較兩者的關係。深度學習是機器學習的一個分支；兩者皆藉由資料改善模型的預測或決策能力，但深度學習主要使用多層人工神經網路，自動學習較複雜的特徵表示。

二、機器學習（Machine Learning）

**定義：**機器學習是讓電腦從資料中找出規律，建立模型，並用模型對新資料進行預測或決策的方法。模型會依據訓練資料調整其參數，以降低預測誤差或提高任務表現。

典型流程：

常見的資料前處理包括處理缺漏值、正規化數值，以及將類別資料轉為模型可使用的表示方式。訓練後，應以未參與訓練的資料評估模型，檢查其對新資料的泛化能力。

常見學習方式：

常見機器學習模型包括線性迴歸、決策樹、支援向量機、$k$ 近鄰法及群集分析。模型成效除了取決於演算法，也會受到資料品質、特徵選擇及訓練方式影響。

三、深度學習（Deep Learning）

**定義：**深度學習是以多層人工神經網路為核心的機器學習方法。網路由多層神經元組成，各層將輸入轉換成更高階的特徵表示，並透過訓練調整權重與偏差，使模型輸出逐步符合目標。

神經網路概念圖：

輸入層 隱藏層（多層） 輸出層
特徵 x₁ ──┐
特徵 x₂ ──┼──→ [第 1 層] → [第 2 層] → … → [第 L 層] ──→ 預測結果 ŷ
特徵 x₃ ──┘

以影像辨識為例，神經網路前段可學習邊緣、線條等特徵，較後段可學習形狀或物件組合，最後輸出影像所屬類別。實際學到的特徵由資料與模型訓練決定。

核心觀念

本題考查金融科技的定義、主要技術與服務型態，以及能否用流程圖說明一項實際應用。金融科技（FinTech）是將資訊與通訊科技應用於金融服務，使金融產品、服務流程或營運模式更有效率、更便利，並可能改善成本、可及性與風險管理。

回答「何謂金融科技」時，宜從「科技應用、金融服務、產生的效益」三個角度作答。常見技術包括：

• 行動網路與雲端運算：支援行動金融服務及彈性運算資源。
• 大數據與人工智慧：用於客戶分析、信用評估、詐欺偵測及投資建議。
• 區塊鏈與分散式帳本：支援交易紀錄共享、追蹤與驗證。
• 密碼學與生物辨識：用於身分驗證、資料保護及交易安全。
• API 與平台服務：讓金融機構與外部服務在授權下交換資料或串接功能。

金融科技的應用涵蓋數位支付、網路銀行、線上借貸、保險科技、機器人理財、監理科技等。科技本身不等於金融科技；須與金融產品或服務結合，才符合本題所問。

解題方法

第一小題採「定義＋特性＋技術＋應用」條列作答，讓閱卷者能清楚辨識金融科技的範圍。第二小題選擇流程明確、容易圖示的行動支付，依序呈現付款人、商家、支付服務業者與銀行間的驗證及清算流程。

（一）何謂金融科技？

金融科技是運用資訊科技、通訊科技及數位創新，提供或改善金融商品與服務，並改變金融服務的交付方式、作業流程或商業模式。其主要目的包括提升服務效率與便利性、降低交易成本、擴大金融服務可及性，以及強化資料分析與風險管理。

可分點說明如下：

1. 以科技支援金融服務：運用網路、行動裝置、雲端、大數據、人工智慧、區塊鏈及密碼技術等，處理金融交易或提供金融服務。
2. 改變服務管道與流程：客戶可透過網路或行動裝置完成開戶、付款、轉帳、借貸、投資及保險等作業，減少對臨櫃服務的依賴。
3. 促進資料驅動的決策：利用交易資料與分析模型進行信用評估、商品推薦、風險控管及異常交易偵測。
4. 提升效率並降低成本：自動化作業可縮短處理時間、減少人工程序，並降低服務提供者與使用者的交易成本。
5. 擴大金融服務可及性：透過數位管道服務偏遠地區、較少使用傳統金融服務的族群，或提供更符合個人需求的服務。
6. 帶來安全與治理要求：金融科技涉及個人資料、身分驗證、資安、交易安全及模型風險，須兼顧使用者權益與風險管理。