最新資料

汽車電學

汽車材料

道路交通管理處罰條例

115年 - 115 中華郵政股份有限公司_職階人員甄試試題_專業職(二)外勤／郵遞業務、運輸業務：英文#142531(25題)

115年 - 115 中華郵政股份有限公司_職階人員甄試試題_專業職(二)外勤／郵遞業務、運輸業務：國文#142530(25題)

115年 - 115 中華郵政股份有限公司_職階人員甄試試題_專業職(二)外勤／郵遞業務、運輸業務：臺灣自然及人文地理#142529(60題)

115年 - 115 中華郵政股份有限公司_職階人員甄試試題_專業職(二)外勤／郵遞業務、運輸業務：郵政法規大意(含郵政法及郵件處理規則)及交通安全常識(含道路交通安全規則第四章、道路交通管理處罰條例及道路交通事故處理辦法)#142528(50題)

115年 - 115 臺北捷運公司新進行車專員(一般及原住民類)、 技術專員(常年大夜班維修類)甄試試題：綜合科目 2(數理邏輯、捷運 法規及常識)B#142527(50題)

115年 - 115-3 保險事業發展中心辦理_永續發展基礎能力測驗試題：永續發展基礎能力測驗#142526(80題)

115年 - 115-2 專技高考_牙醫師(二)：牙醫學(五)（包括全口贗復學、局部贗復學、牙冠牙橋學、咬合學等科目及其相關臨床實例與醫學倫理）#142525(80題)

115年 - 115年 - 115-2 專技高考_牙醫師(二)：牙醫學(四)（包括口腔顎面外科學、牙科放射線學等科目及其相關臨床實例與醫學倫理）#142524(80題)

115年 - 115-2 專技高考_牙醫師(二)：牙醫學(六)（包括齒顎矯正學、兒童牙科學、牙科公共衛生學等科目及其相關臨床實例與醫學倫理）#142523(80題)

115年 - 115 專技高考_職能治療師：解剖學與生理學#142522(80題)

6. Consider the linear population model with intercept:$y_t = \alpha + \beta x_t + \varepsilon_t$The variance structure is known as below: $E(\varepsilon_t^2) = \sigma^2 h_t^2,$Which regression may obtain efficiency $\hat{\beta}$ estimator? (A) Regress \( y_{t} \) on 1, \( x_{t} \) (B) Regress \( y_{t} / h_{t} \) on 1/ht ,xt/ht(C) Regress \( y_{t} / h_{t}^{2} \) on 1/h2t ,xt/h2t(D) Regress \( y_{t} \) on 1/ht ,xt/ht(E) Regress \( y_{t} / h_{t} \) on 1, \( x_{t} \)

5. Consider the linear model with intercept: $y_t = \alpha + \beta x_t + u_t$ If the $A = \sum_{i=1}^{n} (x_i - \bar{x})^2$ is positive definite and $E(u_i \mid x_i) = 0, \forall t = 1, 2, \dots, T$, which statement is true under sample size $T \to \infty$. (A) \( \hat{\beta} \) is consistent, but we cannot judge whether \( \hat{\beta} \) is efficiency (B) \( \hat{\beta} \) is unbiased and efficiency (C) \( \hat{\beta} \) is consistent and efficiency (D) \( \hat{\beta} \) is, but we cannot judge whether \( \hat{\beta} \) is efficiency (E) \( \hat{\beta} \) is unbiased and consistent.

4. Consider the simple regression $y_i = \alpha + \beta x_i + \varepsilon_i$And suppose population parameter $\beta = 2$ and least square estimator $\hat{\beta} = 2.3$. Now consider the regression $(x_i - y_i) = \alpha^* + \beta^* x_i + u_i.$What is the value of \( \hat{\beta} \)? (A) 1 (B)-1 (C)-1.3 (D)-0.3 (E) 0.3

五、請說明國道電子收費與外部性的關係，並分析尖峰和非尖峰時段是否應收取相同費率。(15 分)

四、政府實行所得重分配政策是否可以提高經濟效率？為什麼？(20 分)

三、社會安全退休年金制度對個人儲蓄行為有哪些可能的影響？(15 分)

(測試用)國中數學測試

講師：tina

簡介：國中數學描述國中數學描述國中數學描述國中數學描述國中數學描述 國中數學描述國中數學描述國中數學描述 國...

國中教育會考自然科

講師：【站僕】摩檸Morning.

簡介：國中地球科學 理化 生物

會計學(含中級會計學)

講師：解答在私人筆記，請按讚！

簡介：提供給對學習會計學有興趣的人士（沒有學過的也可以看，從頭教起！)，不管是在學、升學（如：四技二專的入...

(高中數學)線性規劃

課程：高中數學
章節：高中學測、指考考題題型-數學

描述：主要內容： 線性規劃問題的定義： 決策變數： 影響目標函數和限制條件的變數，通常用 x, y 等符號表示。...

(高中數學)多項式不等式

課程：高中數學
章節：高中學測、指考考題題型-數學

描述： 主要內容： 不等式的基本概念： 不等式： 用不等號 (>, <, ≥, ≤, ≠) 連接兩個代數式或數...

(高中數學)微積分

課程：高中數學
章節：高中學測、指考考題題型-數學

描述： 主要內容： 極限 (Limits)： 函數的極限： 當 x 無限接近某個值時，函數 f(x) 的趨近值。 數列的極限：...

17. 1,000 kg 的水由 25℃加熱至 65℃時，需多少熱量？（Cp 為 1 kJ/kg_K） (A) 20,000 kJ (B) 30,000 kJ (C) 40,000 kJ (D)50,000 kJ

23. 針對 B 段要做CO2氣泡飲，和 C 段要做真空包裝，王同學跟老闆溝通「壓力的表示法」 或「壓力計」的選擇，下列哪種說法正確？ (A) CO2充填與真空包裝都用錶壓最直覺，真空度越高錶壓越大 (B) 真空包裝的真空度應該用絕對壓力或明確的真空度表示 (C) 錶壓、絕對壓力、真空度只是名詞不同，數值都一樣，壓力計可隨便選 (D) 若真空包裝的內壓低於10−7mbar，則應該使用巴登管壓力計(Bourdon gauge )量測

24. 根據程序控制的原理與方法，下列敘述何者正確？ (A) 溫度感測器在管線儀表圖裡的符號為TY (B) 溫度指示控制器所輸出的直流電流會轉換成電壓訊號到氣動式控制閥 (C) 控制元件輸出指令大小除了與設定值有關外，還受輸出的控制結果影響 (D) 當此程序過程中存在延遲過大的情況，該溫度指示控制器模式會完全消除延遲問題

25. 該控制器目標設定點 ( SP ) 為 40°C，但長期以來控制器裡的程序變數 ( PV ) 數值總是穩定 在 30°C。若經由工程師檢查後確認程序變數之數值與反應器內溫度完全一致，試問改成下 列哪一種控制器模式會使程序變數數值更接近於設定點且較穩定？ (A) 開關式控制(On –Off) (B) 積分控制(I) (C) 比例積分控制(PI) (D) 比例微分控制(PD)

49. 某金融機構計劃開發一套智慧理賠防詐欺與自動化審查系統。該系統的運作流程為：先由模型 A 分析客戶上傳的診斷書與收據影像，評估並輸出該案件屬於「正常理賠」或「疑似詐欺(高風險)」的機率值；確認為正常案件後，再由模型 B 根據診斷書內容進行上下文語意推理，自動撰寫客製化的理賠通知信函與案件摘要報告。下列關於兩個模型的敘述，何者最正確？ (A)模型 A 負責判斷案件風險，屬於鑑別式 AI；模型 B 負責產生通知信與摘要內容，屬於生成式 AI； (B)模型 A 會產生風險分數，因此屬於生成式 AI；模型 B 負責解讀與鑑定內容，因此屬於鑑別式 AI； (C)兩個模型皆採用深度學習技術，因此皆屬於生成式 AI； (D)兩個模型皆以分析資料內容為主，因此皆屬於鑑別式 AI

50. 某金控公司計劃導入「美股即時分析 AI 助理」，該助理須同時滿足兩項需求：第一，回覆內容須遵循固定的合規格式與專業口吻；第二，能提供當日最新股價及財報等即時更新資訊。關於技術團隊對上述需求所提出的技術建議，下列何者最為正確？ (A)對第二項需求，採用 Fine-tuning 比 RAG 更合適，因為可持續將最新資料微調至模型權重，以避免模型產生事實幻覺； (B)針對第一項需求，採用 RAG 比 Fine-tuning 更合適，因為 RAG 可將合規規範文件檢索後提供模型參考，使模型自然維持固定格式；(C)針對第二項需求，採用 RAG 較為合適，因為每日更新的股價與財報若持續透過 Fine-tuning 維護，難以兼顧時效性與維護成本； (D)針對第一項需求，採用 Fine-tuning 較為合適，因為微調能改變模型對特定知識的記憶，無法影響模型的輸出格式與口吻