---
title: "115資工碩考資源分享 + 心得文"
description: "115 資工所上榜資源分享。內含免費資源 、常見問題，給資工所考生的攻略。"
robots: index, follow
tags: 資工所考研, 免費資源, 重考心得, 無補習, 115資工
---

# 115 資工碩考資源整理與問答
---

:::info
:bulb:給在校生，能顧成績就一定要顧，推甄找教授會比考試生要更多選擇，即便原本的考筆試也有可能以書審替代(例如：116 台科)
:bulb:根據您的背景(非本科從零，修過課，隔壁所，本科)每個人都有不一樣的時間表，本篇盡量將基本讀書方法整理，但也許不是最適合您的讀書辦法，因此留言區有蒐集一些其他的心得文，給您更多參考的方向
:::

## Contents
* 前言
* 大綱
* 考試結果
* 免費資源
* 考試趨勢
* 常見問答
* 準備過程
* 後記
---
## Preliminary
本篇重點在提供 116 以降的資工考生讀書方向以及資源
並且回應常見但心得文不常出現的問題
希望給有心想努力但沒有方向, 或是正在努力但有很大心理壓力的學生一些幫助
並且給相對沒有資源(沒錢補習, 沒錢買詳解)的學生一點幫助

---
## Summary

本文依據我認為的重要性分為
* 考試結果: 增加此文可信度
* 免費資源: 全文精華, 幫助考生開始
* 考試趨勢: 行有餘力去加強的地方
* 常見問答: 感到徬徨可以參考的部分
* 準備過程: 各式建議, 個人經驗
* 後記: 總結全文以及雜談
---
## Result
放結果的目的是增加可信度, 讓讀者相信這樣的準備方式以及資源有效
(5X 的意思為第 50 幾名, 個資問題不顯示實際名次)

| 學校 | 科系 | 名次 |
| -------- | -------- | -------- |
| 交通大學 | 資甲 | 備 5X (預估不上榜) |
| | 智慧研究所 | 正 X |
| 清華大學(確定就讀) | 資工 | 備 X |
| 成功大學 | 電機系己組 | 正 X |
| 中央大學 | 資工 | 備 4X |
| 台科大 | 資工 | 正 3X |
| 中正大學 | 資工 | 正 3X |
---
## 免費資源 (建置中)

* 線上課程(又名 OCW):幫助沒補習或補習後想要補充的同學

| 大學 | 科目 | 老師 | 連結 | 備註 |
| -------- | -------- | -------- | -------- | -------- |
| 台灣大學 | 演算法 (ADA) | 陳韞儂 | | |
| 交通大學 | 資料結構 | 彭文志 | | |
| 中山大學 | 資料結構 | 楊昌彪 | | |
| 台灣大學 | 計算機組織 | 洪士灝 | | |
| 清華大學 | 計算機組織 | 黃婷婷 | | |
| 清華大學 | 線性代數 | 趙啟超 | | |
| 清華大學 | 離散數學 | 趙啟超 | | |
| 交通大學 | 線性代數 | 莊重 | | |
| 清華大學 | 作業系統 | 周志遠 | | |
| 中興大學 | 作業系統跟檔案系統 | 張軒彬 | [link](https://www.youtube.com/watch?v=TexY28BC-XU&list=PLwD0kbgjHKhF5zaff0M17JC3FCpoL0yDJ) | PPT 不公開請勿跟老師要連結 |
| 交通大學 | 微積分(一) | 莊重 | | 至少要會基本的多項式微分, 積分 |
| 清華大學 | 數位邏輯設計 | 王俊堯 | | 這個對學離散的布林代數, 以及中央常考的 K-map 都有幫助, 數位邏輯也是交大常年考題 |
* 原文書蒐集: https://drive.google.com/drive/folders/1lewRkgfGazFseXHPn4e39r8Qrbt6p60R
* Operating System Concepts (9th)
* Computer Organization and Design (5th)
* Introduction to Algorithm (3rd)
* Fundamentals of Data Structures in C Ellis-Horowitz
* Discrete and combinational mathematics and applied introduction (3rd)
* Linear Algebra and its applications (4th)(Strang)
* Linear Algebra (4th) edition (Stephen H. Friedberg)
* 資工社群: https://discord.gg/9bEg8ggsXq
* 米香咖啡: https://www.youtube.com/@rice3830
* ptt 分校考古: https://drive.google.com/drive/folders/1fOEdDZXh-K8dihv94TMahpQ252pa1fpe
* 資工所筆記: https://drive.google.com/drive/folders/1qQaPAXZo9XR2Y-jy7NgtqC94ikLFhgS9
* W 大筆記: https://drive.google.com/drive/folders/1nC8FhAvcwbFexvfbB8mltz8yI3ERSJgs
* 其他考古題以及筆記: https://drive.google.com/drive/folders/1K2tP9Aa1XhItx9T6MUsJpsSQBHWaa6-6
* 更多的考古題詳解: https://drive.google.com/drive/folders/1rda24AzJL3mCCaDyidWtxCjtSGd7n_89

## 考試趨勢
:::info
補習班教的基礎打好，心有餘力才往外延伸。有基礎者可以先看近 3-5 年要考的學校考古題，蒐集並分析命題趨勢。
:::
此區是我本次考多所學校發現考古題幾乎不或是很少出現的範圍
綜合來說, 就是 AI, GPU 趨勢, 並且為了提升鑑別度, 各校都會加考數學證明題, 因此越來越重要, 但我認為依然是正常範圍為主, 行有餘力再來加強
* RISC-V: 投資報酬率最高的範圍, 以後應該會變成必讀, 許多學校諸如台科大, 成大電機, 台大紛紛轉向新 ISA, 請務必了解基礎架構, 而交大則是堅守 MIPS, 兩種最好都要會, Risc-V 推薦台大洪士灝老師的課程, 如果沒有時間可以直接看艾思薇爾 Lecture slide 第二章([Lecture Slides](https://brand.elsevier.com/api/asset/eyJjbGllbnRJZCI6bnVsbCwiaWQiOjIxMTgsInRpbWVzdGFtcCI6MTczMjAwODcxOSwidmVyc2lvbiI6MTcyOTU5NDQ0OH0:elsevier:Mo6G4sov3tyVnz3SObjPhPp6nT3rN4sq6mWxhVESGjc/download))
* 出題學校: 成大電機己, 台灣大學, 台灣科技大學
* GPU: 需要閱讀更多 gpu 相關內容, 推薦白算盤 Appendix (詳見免費資源原文書區)https://shop.elsevier.com/books/book-companion/9780128122754
* 出題學校: 中央大學, 交通大學
* AI 基礎, 機率數學: 近年重視 AI, 考古題會出基本的概念, 以及機率學的基礎, 目前我也在學, 但可以看 Pattern recognition and machine learning 的第一章去有大概的了解, 並可修中正大學姚賀騰的線上課去深入理解機率學
* 出題學校: 成大電機己, 台科大
* FLOPS/s 計算: 計算 GPU 效能需要, 推薦白算盤第六章後半部
* 出題學校: 交通大學, 台灣大學, 中山大學
* 匯流排: 可以看 William Stalling 的 Computer Organization Architecture
* 出題學校: 中山大學, 台灣大學
* 統計所線性代數: 俞超凡老師的詳解不錯, 今年台大最後兩題出得很難
* 出題學校: 台灣大學
* C++ 語言: 中正大學, 北科大特別注重 c++ 語言, 北科大更會考 python, 目標這兩所學校請務必熟讀
* 出題學校: 中正大學, 北科大
* x86: 台大有 Pdf: https://www.csie.ntu.edu.tw/~cyy/courses/assembly/10fall/lectures/handouts/lec13_x86Asm.pdf
* 出題學校: 交通大學, 台灣大學
* Karnaugh map: 對於非本科看到中央題目出現這個可能會有點陌生, 但她其實是數位邏輯基礎的部分, 如果沒有上張凡數位邏輯也可以看王俊堯老師的 https://www.youtube.com/watch?v=aeljpFqfYvA&list=PLS0SUwlYe8czJbz5-sRtbuTleObQE9mOa&index=29&pp=iAQB
* 出題學校: 中央大學
* Akra Bazzi: 這就是 Master theorem 的進階版, 是楓葉本第四版有收錄的, 可以看楓葉本第四版來了解
* 出題學校: 台灣大學
* C-means clustering algorithm: 這個是順應 AI 發展, 機器學習常使用的分類, 簡單介紹可以看這篇 https://wyj-learning.blogspot.com/2017/12/fuzzy-c-means-clustering.html 更多 clustering 相關我是看 Pattern recognition and machine learning 第九章
* 出題學校: 台灣大學
---
## 準備過程
### 完整準備建議
此處分為科目, 起步, 日程, 時程, 建議
#### 科目
資工所考試主要測驗六大科目：
* 數學: 線性代數, 離散數學
* 軟體: 資料結構, 演算法
* 硬體: 作業系統, 計算機結構
#### 如何起步
要如何準備這六科, 可以準備以下用書, 購課:
1. 補習班法(多數): 補習, 報名大X補習班或是其他資訊相關補習班, 會幫你從零開始打基礎
* 適合對象: 對六大科全無概念的朋友
3. 神秘方法: 私訊神秘的我
* 適合對象: 對六大科全無概念且經濟比較拮据的朋友, 目標四中以上
5. 省錢補習班法: 購買二手書來學習, 缺點沒有影片可以看
* 適合對象: 對六大科全無概念且經濟比較拮据的朋友, 目標四中以上
7. 大學方法: 透過原文書, 各頂尖大學開放課程(OCW), 以及網路筆記來讀書, 此方法最為扎實, 缺點是耗時很長, 且難度較高, 可能根本無法吸收, 適合重考已經有概念的學生實踐(我知道的資源都放在上面了)
* 適合對象: 本身有相關經驗或是本科的朋友, 目標頂大
9. 綜合法(推薦): 以補習班的教材為主, 若遇到不懂的概念, 查詢原文書相關章節作為補充, 並且除了題庫的題目, 也寫原文書的題目作為練習, 最為推薦
* 適合對象: 目標頂大, 各種人都適用

#### 時程
分為讀書為主期, 題庫為主期, 考古題為主期, 以一年為期, 全職準備為原則(每天至少 6 小時以上)
* 讀書為主期: 此時閱讀補習班正課課本或是原文書
* 準備時間: 2 - 9 個月
* 題庫為主期(寫題複習期): 此時寫老師幫忙整理的題目精華, 一方面增加做題能力, 二方面其實是在複習原本不熟的部分, 若不熟可以趕快回去翻閱補救
* 準備時間: 9 - 12 月
* 考古題期: 考古題除了達到題庫效果, 更重要可以讓你進入, 習慣考試狀態, 前期可能無法適應, 但後期可以慢慢限縮時間, 分配甚麼時候該寫完, 檢查, 以免真正考試時手忙腳亂
* 準備時間: 12 月 - 2 月
#### 日程
每天最好平均超過 6 小時讀書時間, 我早中晚認為有不同適合的科目
一開始可能很難做到一天讀多科, 可以分成兩個階段:
* 前期(1 - 2 個月剛開始): 一天讀一科, 每天換科讀(不建議一科讀完再換科, 因為會全部忘記)
* 早上 - 下午讀正課講義或原文書
* 晚上看老師的授課或對應章節的 OCW 當作今天的總結
* 睡覺前半小時到一小時不建議讀書, 可能會興奮到睡不著影響明天效率, 建議放鬆
* 後期(3 - 7 個月結束):
配合每個考科考試的時間, 讓腦袋在這個時間適應這個考科, 並且每天都有摸這些考科較不容易忘記
* 早上讀偏理解的資結演算, 楓葉本我都早上看
* 中午吃飯看線上課
* 下午起床來讀計算機結構或作業系統
* 晚飯時間可以看 OCW 或老師講課複習
* 晚上到睡前時間寫數學
* 睡覺前半小時到一小時不建議讀書, 可能會興奮到睡不著影響明天效率, 建議放鬆
#### 讀書期間細節:
* 筆記抄寫: 抄筆記吸收再抄會比較好, 以前的動畫老師也希望我們好好觀察人物的型態, 在腦中有想法再畫, **不要變成啄木鳥式抄筆記法**, 會沒甚麼效果
* 3C 產品: 建議讀書時手機關機, 一直看手機影響注意集中, 大幅影響效率, 我自己是偏好將電子書印成紙本, 就不用借助 3C 產品來念書, 可以完全關機, 但每個人習慣不同
* 休息時間: 大約 1 個小時可以起來用手機, 上廁所十分鐘
* AI 密技: 詳解大部分不一定正確, 可以多利用 ai(gemini) 跟他討論答案正確性, 讀完一個段落想複習, 可以夾帶 pdf, 輸入 create quiz by **gemini quiz maker** from this pdf 當作輸入, 他會生成互動式的小測驗, 即時看到答案, 詳解, 算分

#### 生活習慣建議
在考前適應考試時間, 包括起床時間, 排便時間, 避免考試昏沉或是想上廁所
* 排便訓練: 排便非常重要, 便祕會讓火氣大, 影響思緒, 脾氣, 健康, 減少讀書效率, 排便後更容易專心, 考試當下若想要排便會影響表現, 因此訓練是重要的, 我自己都偏向清晨以及晚上, 錯開考試時間去 https://healthmedia.com.tw/main_detail.php?id=68636
* 運動習慣: 每周 3 次以上運動, 運動對我們同樣也是增加專注力以及持久力, 可以做瑜珈墊的運動例如開合跳, 剝皮操等等, 或是去健身房踩飛輪 https://health.udn.com/health/story/5965/6144537
* 睡眠習慣: 可培養中午睡午覺的習慣, 增加下午的精神, 一天可以睡 7-8 小時 https://www.commonhealth.com.tw/article/88377

### 個人經歷, 檢討
放個人經歷的目的是讓你知道我的條件, 來衡量我讀書方法的參考價值, 要不要繼續用這個方法
#### 碩考前的人生經歷
可以了解程式能力, 語言能力, 學習能力, 以及動機強烈等先備條件
* 基本學習能力, 程式啟蒙: 高中以前成績基本上都還不錯, 曾經想要做遊戲, 高中有去資源回收廠撿 **C 語言**基礎回家念, 電腦課都很認真上, 有寫一些基本的 C 語言
* 為什麼沒有成為工程師: 後來想說當動畫師好了, 但又不敢讀北藝大, 因此進入貓空大學廣播電視, 大四在動畫工作室實習, 論件計酬, 覺得自己畫畫的速度買不起便當, 又沒有實力加入有辦法支付穩定月薪的動畫工作室
* 語言能力: 大四當完兵後決定離開這個環境去外面看看, 去印度當翻譯師, 結果是在孟買
* 程式設計訓練, 語言能力: 在印度期間很宅, 每天叫外送, 因為疫情不需要出公寓, 天天寫 **leetcode 並鍛鍊了外語能力** (88 題大部分為 Easy)
* 工作經驗: 回台開放履歷, 派遣公司錄取我到科技大廠駐廠, 在科技廠期間過得有點辛苦, 第一年六日皆來加班每天都做到深夜, 為了培養**基礎程式設計能力** (Java Python 物件導向, 基本 OS 理解)
* 動機: 經過兩年跟老闆談發現沒有轉正的可能, 覺得應該要**自己努力脫離現況**, 因此參加第一次碩士考試
* 落榜原因: 因為經常加班, 每天只能讀書 2 小時, 落榜(不推薦兼職讀書的主要理由)
* 開始碩考: 跟老闆協調, 最後訓練完對岸的助理工程師後六月初離職, 全職讀書(實際開始的時間, 建議預留更多時間)
#### 碩考期間成就
此欄主要是紀錄我總共付出多少努力, 不代表這樣的方法是好的, 因為可能因為時間緊迫導致科目理解不夠透徹, 只能當作參考
* 概覽七本原文書, 恐龍本, 楓葉本, Grimdali, Strang, Friedberg 都沒有整本看完
* 完成三大(清大不公開)四中四年以上考古題, 尤其交大/台大完成 15 年
* 每天六點半起床十一點睡覺, 統計時間應有 1500 小時
* 吃飯時間看完上面一半以上的 OCW, 特別感謝洪士灝老師, 周志遠老師, 莊重老師, 趙啟超老師, 陳韞儂老師, 彭文志老師的開放課程
#### 檢討
* 先備知識: 要會基本的微分積分, 離散的生成函數會用到微分, 線性代數的內積會結合積分, 正定理論會用到微分, 可以看 **莊重老師的微積分(一)** 前半段, 交大也有放講義, 可以很快有基本概念, 第一年沒上有部分是完全不懂微積分造成
- 原文書相關:
* **學習這些科目就好像學新的語言, 原文書就是你的字典**, 非常建議不管是採用哪種方法都要養成**查詢原文書關鍵字**的能力
* 碩考只是基本門檻, 進去後要閱讀的**論文遠比這些原文書來得困難**且大部分都是全英文, 因此不要畏懼去看這些東西
* **先看原文書某章再聽 OCW 對應章節**, 這樣效果會比較好(剛好還有印象時看), 甚麼都沒看過去聽 OCW 慘的話會變成噪音, 完全沒辦法吸收, 看完原文書再聽會豁然開朗, 加深印象
* 線性代數: **不要先看 Friedberg** 的書, 較為抽象, 適合數學底子較穩固的同學, 先看 **Strang** 的書

* 資料結構: Horowitz 的書看過 pseudo code 就好, 敘述比較繁瑣
* 離散數學: Grimdali 的書寫題目為主, 不懂再看敘述, 因為比較偏講歷史, 適合興趣閱讀, 考研時間緊迫不適合
---
## 常見問答
* **我不想當兵**
不想當兵的心情可以理解, 當兵可能會耽誤你的人生規劃, 但若落榜可能不得不面對這樣的問題
有些人可能會去報考相對容易上榜的科系, 邊讀書邊重新準備, 缺點就是若該科系負擔較重, 可能會吃掉準備的時間導致再次落榜
當兵若單位給足夠的時間, 其實零碎時間可以用來準備考試, 並且因為環境單純沒有外務, 因此更容易專心
* **我連要考甚麼都不知道要怎麼辦**
你來對地方了恭喜您, 我幾年前也是這樣, 請參考準備過程之[讀書方法](https://hackmd.io/@BunanSia/HJYTNE95Wx#%E6%BA%96%E5%82%99%E9%81%8E%E7%A8%8B)

* **感覺現在都不考補習班教的東西了怎麼辦**
你的直覺敏銳, 目前因應科技趨勢, 學校的考題會依據他們需要的研究人才來改變, 單閱讀補習班教材未必是穩固的, 因此最推薦使用綜合法, 補習班/原文書雙管齊下, 不僅可以快速掌握重點, 也能夠吸收純補習深沒有的深度, 可以搭配下面的考試趨勢部分來閱讀
* **我快要三字頭了, 我考好幾次了, 我要鼠掉了**
我也三字頭, 我也考了幾次, 你還有救先冷靜, 但考好幾次都落榜就代表你有幾個盲點好幾次都沒搞清楚, 你要好好復盤找自己的弱點, 下次考試絕對不能犯同樣的錯誤, 目前資工科系競爭越來越激烈, 要有足夠的自律以及自我要求才能考上理想科系, 並跟別人討論, 這個過程可以讓你打到自己不會的地方
* **看好多文上榜都念原文書, 一定要念原文書嗎**
實際上, 大部分原文書的精華補習班老師都幫你整理好了, 念原文書也不一定保證可以完全命中考科範圍(因為那都是好幾年前的內容了), 很多純補習的都考得比我好, 但我認為看原文書是有很大的幫助的, 他可以讓你提早習慣考試的語言, 很多學校甚至是直接拿原文書的課文來考. 比方中山的離散常常直接改 Grimdali 的題目, 中央喜歡考恐龍本課文. 交大有直接拿楓葉本圖學篇章定義的 properties 出來考. 因此有時間的話我認為看原文書很加分. 再者其實我認為原文書的內容相對你上碩士要念的論文簡單很多, 為什麼考試要全英文也只是一個基本的門檻而已, 提早習慣進碩士才不會念不起來.
* **你大概讀多久啊**
這是依據每個人的背景不同, 有些本科系學生一天讀書四五個小時也可以上榜台大交大, 但大部分的人需要累積 1500 小時左右的讀書時間才有能力跟頂尖學生一拚, 可以規劃一下距離考試還有多少時間, 用這個總時數去除下來就知道時間要怎麼分配

* **為什麼一定要讀研究所**
這個答案是不一定, 但研究所可以讓找工作更容易, 且有些特定公司非常看重學歷, 因此取決於你的目標, 以及人生價值, 依外商公司來說通常是當場作測驗, 學歷相對不那麼重要, 反而是你的程式實作能力為主, 但台灣的一線 IC 設計場某些部門的人資就會重視學歷, 沒有碩士學歷只能做派遣工作, 且幾乎不可能轉正 (有碩士學歷的人太多了, 缺額又不多, 不會輪到你)
* **這個X大不會考吧**
近年競爭激烈, 為了增加鑑別度, 考試的範圍越來越廣
避免 Overfitting 考試完全看不懂, 請盡量參考各校考古題來提升基本實力, 特別推薦交大以及中央考古題, 具有鑑別度, 培養英文讀題速度且掌握大部分重要概念

* 我想在學重考或是半工半讀, 我沒有錢
雖然大家經濟狀況不同, 沒有辦法一概而論, 但是大部分會上榜都是全職長時間讀書, 確保一天能夠 6 小時以上, 我自己第一年就是這樣落榜, 我的朋友也因為寒暑時期 loading 太重沒有理想的結果, 相對的有一位朋友考上某學校但有更高的志願, 選擇休學重考最後考上台大, 我個人建議是至少在考前四個月一定要全職念書, 並且最好多報學校, 考試也是有運氣成分, 不同學校出的範圍不同, 有可能你沒去考的學校都是你會寫的, 這樣就很可惜

* 我題目的英文完全看不懂看到英文閱讀很慌怎麼辦
如前所說, 我認為考研閱讀的英文相對於研究所實際遇到的論文英文是相對簡單, 應該要努力跨越這道門檻, 但本身英文基礎不好的話, 可以從抓關鍵字而不用勉強自己了解整句話在說甚麼, 先嘗試從整句話抓你有印象的關鍵字, 去猜題目在問甚麼, 大量做題之後, 你會找到重複出現的, 接著就會更容易理解這個題型的訴求是甚麼, 這是蒐集很多戰友的做法得到的意見, 抱歉沒有具體的方法 > <

## 後記 (找教授紀錄, 學前準備)
感謝支持我的家人, 感謝回答我問題的大神, 感謝跟我一起喇賽討論的戰友, 感謝上帝, 感謝在天頂看顧我的親人

### 第二季 - 開學前準備

碩士班需要指導教授指導論文, 若沒有找到指導教授, 會面臨退學命運, 且不是每間學校都會幫忙媒合
- 敲實驗室
就是在正式加入實驗室前去實驗室拜訪學長姊的過程, 有些實驗室是否錄取甚至是取決於學長姐對你的印象, 因此相當重要
建議諮詢問題(要非常有禮貌, 學長姊的第一印象可能決定你是否錄取以及在研究室好不好過):
- 實驗室近期的方向: 雖然可以參考論文來了解, 但每年可能都會有新的研究主題, 因此是值得詢問的問題
- 請問有接計畫嗎, 是否需要當助教: 這個問題其實是旁敲側擊研究室的 loading
- 畢業的條件: 老師是否要求投上頂級期刊, 這會牽扯這間實驗室想要吸收的人才, 你可以據此衡量這跟你的生涯規劃是否一致, 若不符合你就算進去可能也難以畢業
- 正式找教授
進 boss 房你可能只有一次機會, 先準備一些裝備再去吧
- 面試流程: 自我介紹 -> 研究介紹 -> 有甚麼你想做的研究 -> 將來出來想做甚麼 -> 你還有甚麼想問的嗎
- 準備: 先看研究室官網: 這是相對容易找到研究領域的方法, 雖然許多網站長年沒有更新, 總會比完全沒做功課去面試來得好
- 書信: 專題, 經歷, 學歷, 成績, 得獎 ... 這些是一般人會使用的武器, 可以先放三行簡介(我是誰, 我哪裡畢業, 我對你的研究有興趣想約時間), 跟老師約時間, 再放完整學經歷
- 一般能夠比較快找到的有兩個特質, 我會著重介紹後者如何找到教授
1. 有足夠的經驗, 比方中山實驗室他希望學生有下線(硬體)經驗, 或是你的專題有相關
2. 能夠對研究展現足夠的熱忱:
1. 先彙整出自己有興趣的領域, 因為這些領域你比較講得出來
2. 從指導教授近期的論文中找到與你的興趣相關的論文, 教授通常會期待你對他的研究方向有基本認識再來找他
3. 最好要對自己進去想做甚麼主題有一個想法 (知道自己想寫甚麼論文) 這部分可以把論文的摘要整理一下丟給 ai, 跟 ai 討論學長姊的研究可以做甚麼延伸