最新資料

成本效益分析

立法程序與技術

企業政策

115年 - [無官方正解]115-2 保險事業發展中心辦理 _防制洗錢與打擊資恐專業人員測驗試題：防制洗錢與打擊資恐法令及實務#146178(80題)

115年 - 115 高雄醫學大學_學生轉系考試試題︰英文#146089(36題)

115年 - 115 澎湖縣國民小學暨附設幼兒園教師/代理教師甄選試題：幼兒教育專業測驗含國語文#146056(107題)

115年 - 115 中華郵政股份有限公司_職階人員職階晉升甄試試題_專業職(一)晉升營運職：英文#146055(17題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 10 階-助理技術員-土木工程、土木工程（工程實務）：結構學概要與鋼筋混凝土學大意#145967(50題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 9 階-技術員-建築工程（古蹟修復實務）：建築營造與估價及建築結構系統概要#145961(50題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 8 階-助理工程師-土木工程：鋼筋混凝土學與設計#145958(6題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 9 階-技術員-建築工程（古蹟修復實務）：政府採購法概要#145957(50題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 8 階-助理工程師-建築工程：建築營造與估價及建築結構系統#145953(33題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 8 階-助理工程師-土木工程：結構學#145951(4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)

天文

講師：steven

簡介：天文學是一門研究天體和發生在宇宙中各種現象的自然科學。它使用數學、物理和化學來解釋它們整體的起源和演...

研究所英文考題全解析

講師：Terry Tung

簡介：研究所英文一次搞定！ 精選台大、成大、政大、交大、師大、中正近年考題，完整分類解析，每題一步步拆解到...

學測英文總整理

講師：Terry Tung

簡介：整合100之後的學測試題和100~110指考英文試題，提供完整試題解析和教學講義，章節如下： 1. 詞彙題 2. 綜合...

潮潮

描述：自由自在

阿嬌哈舉行

描述：很久沒有

會計審計法規

描述：依預算法及政府會計觀念公報之規定，特種基金之敘述，下列何者錯誤？ (A) 信託基金非屬政府所有，故不納入...

12. 定壓下尼古丁與水的混合溶液形成的相圖如圖 ( 一 ) 所示，混合 X g 尼古丁和 60 g 水，再將混合物加熱到120°C。若液體的揮發量可忽略，且可觀察到一個液-液界面，之後在120°C 下又加入Xg尼古丁，達平衡後界面消失，則X可能是下列何值？ (A) 300 (B) 250 (C) 150 (D) 50

13. 對於三號 ( AA ) 可充電電池，若電池的突起端簡稱為 A 端，另一端簡稱為 B 端，則下列 敘述何者正確？ (A) 放電時A端為正極，釋出電子 (B) 放電時B端為正極，釋出電子 (C) 充電時A端為陽極，釋出電子 (D) 充電時B端為陽極，釋出電子

14. 遠洋貨輪的船體主要由鋼鐵製成，長期浸泡在海水中 ( 富含鹽分的電解質溶液 ) 容易發生嚴重的電化學腐蝕 ( 生鏽 ) 。為了保護船體，工程師們會在船殼水線以下的位置，焊接 上數塊長方形的金屬塊。隨著時間推移，這些金屬塊會慢慢被腐蝕消耗，而船體本身則完好如初。這種保護鋼鐵船體的方法被稱為「犧牲陽極法」。根據電化學原理，這些被焊上去的金屬塊最可能是下列哪一種金屬？ (A) 鋅(Zn) (B) 銅(Cu ) (C) 鉛(Pb ) (D) 銀(Ag )

9. 某電商平台計劃開發一個機器學習模型，目標是在每個月底自動預測哪些現有會員在下個月可能會流失(不再消費)，以便行銷團隊提前發送優惠券進行挽留。若要提升模型預測會員流失的效果，在進行特徵工程(Feature Engineering)時，下列哪一項作法最適合？ (A)為了提高預測的準確度，特徵與要預測的目標值(是否流失)之間，在統計上不需要具備任何關聯性或因果關係； (B)可以將「會員下個月是否仍有消費紀錄」加入模型特徵，因為該資訊與會員是否流失具有高度關聯性； (C)為了縮短模型推理(Inference)的反應時間，特徵所涵蓋的時間範圍越短越好，建議一律只保留前一天的單日行為資料； (D)所選取的特徵，必須是在每個月底模型進行預測的當下，系統就能實際取得且掌握的已知資料

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