最新資料

食品安全與衛生法規

捷運◆會計審計法規與實務

捷運◆企業管理及公共行政及運輸管理

115年 - 二等遊艇題庫_第二章_避碰規則：3. 水域人員安全與避碰規則 1-20（2026/03/16 更新）#146500(20題)

115年 - 二等遊艇題庫_第二章_避碰規則：2. 燈號、號標、號笛、旗號 51-90（2026/03/16 更新）#146498(40題)

115年 - 二等遊艇題庫_第二章_避碰規則：1. 各種航法 1-50（2026/03/16 更新）#146493(50題)

115年 - 二等遊艇題庫_第一章_海事法規：4. 海洋保育 1-10（2026/03/16 更新）#146492(10題)

115年 - [無官方正解]115 國立臺北大學_碩士班一般入學考試試題_法律學系(基礎法學組、公法學組、刑事法學組、財經法學組)：日文#146478(27題)

115年 - 營業用動力小船題庫_第四章_氣（海）象常識：1. 氣（海）象常識 51-90（2026/03/16 更新）#146466(40題)

115年 - 營業用動力小船題庫_第二章_避碰規則：2. 燈號、號標、號笛、旗號 51-90（2026/03/16 更新）#146463(40題)

115年 - 115 高雄醫學大學_學生轉系考試試題：普通化學#146461(25題)

115年 - 115 高雄醫學大學_學生轉系考試試題：普通生物學#146453(50題)

115年 - 115 國立臺北大學_碩士班一般入學考試試題_法律學系(基礎法學組、公法學組、刑事法學組、財經法學組)：德文#146438(5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)

經濟學(上)

講師：解答在私人筆記，請按讚！

簡介：提供給對經濟學有興趣的同學，不管是在學、升學；或參加普考、地方特考、國營事業等。 感謝您們的購買課程...

測試用課程

講師：【站僕】摩檸Morning.

簡介：這是測試用課程 這是測試用課程 這是測試用課程

高中地球科學

講師：【站僕】摩檸Morning.

簡介：高中地球科學

日文文法N5

描述：日文文法N5

法大筆記（司特錄事）

描述：不分章節～

中斷時效、視為不中斷、時效不完成。民法 第 六 章 消滅時效

描述：「中斷時效（129、137）」成功的話重行起算，如果法律程序沒完成的話「視為不中斷（130~136）」。 「時...

3. 下列關於壓縮因子 ( Z ) 的敘述，何者正確？ (A) 當壓力趨近於零時，Z 值皆接近於零 (B) 當壓力從趨近於零開始逐漸增加時，所有真實氣體的 Z 值呈直線上升 (C) 壓縮因子被用來修正理想氣體狀態方程式，以描述真實氣體行為，故 Z 值僅受到溫度 與壓力影響 (D) 無論在低壓或高壓時，同體積及同莫耳數的理想氣體之 Z 值皆保持不變

5. 依據克勞修斯-克拉伯隆方程式(Clausius-Clapeyron equation )，下列有關單一成分液體的 蒸氣壓與溫度之敘述，何者正確？ (A) 蒸氣壓為物質的固有性質，與溫度無關 (B) 蒸氣壓隨絕對溫度上升而呈指數型增加 (C) 蒸氣壓與絕對溫度的倒數呈正比關係 (D) 蒸氣壓與絕對溫度呈正比關係

6. 研究生在研究香水配方時發現，香水隨時間會呈現不同層次的香氣變化。當香水噴灑於 皮膚表面時，前調香味短時間內散去，而後調香味則可長時間留存。關於構成前調與 後調之兩種液體性質，下列何者敘述正確？ (A) 後調成分之香味可在皮膚上長時間留存，代表其揮發時不需吸收熱量 (B) 後調成分在常溫下的飽和蒸氣壓顯著高於前調成分 (C) 前調成分相較於後調成分，具有較大的汽化熱 (D) 前調成分的沸點通常低於後調成分

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