最新資料

捷運◆企業概論(管理)

捷運◆管理學

捷運◆營業稅法及所得稅法

115年 - 115 灌溉管理組織新進農田水利事業人員甄試試題_灌溉管理人員灌溉管理組/機電組/水質組：農田灌溉排水概要#144183(28題)

115年 - 115 灌溉管理組織新進農田水利事業人員甄試試題：農田水利概論與相關法規#144182(50題)

115年 - 115 灌溉管理組織新進農田水利事業人員甄試試題：法學緒論#144181(35題)

115年 - 115 灌溉管理組織新進農田水利事業人員甄試試題：公文#144180(1題)

115年 - 114 中華民國家庭牙醫學會_家庭牙醫學科專科醫師試題#144159(100題)

115年 - 115 臺灣土地銀行_新進人員甄試試題：邏輯推理#144158(15題)

115年 - 115 臺灣土地銀行_新進人員甄試試題：英文#144157(20題)

115年 - 115 臺灣土地銀行年新進人員甄試試題_五職等／證券業務人員、五職等／客服專業人員、七職等／電子金融-數據分析人員、七職等／高資產財管業務企劃人員、七職等／財務金融人員、七職等／建築工程人員、七職等／機電工程人員、七職等／環境管理人員、一般金融人員：國文#144156(2題)

115年 - 115 臺灣土地銀行_職等／甄試類組：五職等／證券業務人員、 五職等／客服專業人員、 五職等／一般金融人員 :綜合科目【含會計學概要、貨幣銀行學概要、票據法概要】#144010(70題)

115年 - 115 勞動部勞動力發展署桃竹苗分署_自辦在職進修訓練甄試參考試題#144003(10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)

藥師一階國考 生藥學考題 分章節國考歷屆試題

講師：菜餅

簡介：分章節的生藥練習題，藥學系準備藥師國考一階之試題。

藥師一階國考 藥物分析 分章節國考歷屆試題

講師：菜餅

簡介：分章節的藥物分析練習題，藥學系準備藥師國考一階之試題。

【警鴿心智圖】刑法分則-財產法益（一）

講師：小摩喵(課程：警鴿系列)

簡介：本課程以清晰的心智圖呈現複雜的法律概念，幫助你快速掌握核心要點！無論你是法律系學生、司法考試備考生，...

地方自治事項與委辦事項

課程：高普考/三四等/高員級法學知識（中華民國憲法、法學緒論）：43章依考點系統整理，單元重點搭配試題練習
章節：第 22 章 地方自治

描述：學習重點 掌握地方自治團體的公法人地位，以及自治權同時受憲法、法律保障與拘束的雙重性。 地方自治權限...

自治法規之類型、制定機關與公布發布

課程：高普考/三四等/高員級法學知識（中華民國憲法、法學緒論）：43章依考點系統整理，單元重點搭配試題練習
章節：第 22 章 地方自治

描述：學習重點 依《地方制度法》第25條，直轄市、縣（市）、鄉（鎮、市）都可以就自治事項，或依法律及上級法規...

自治條例、自治規則與委辦規則之區別

課程：高普考/三四等/高員級法學知識（中華民國憲法、法學緒論）：43章依考點系統整理，單元重點搭配試題練習
章節：第 22 章 地方自治

描述：學習重點 依訂定機關、事項性質（自治事項或委辦事項）及生效程序，區分自治條例、自治規則與委辦規則。...

21.體育教師在學期末為了評定學生的學習總結成果，以決定該學期的體育成績，這種評量稱之為何？ (A) 安置性評量(Placement Assessment) (B) 形成 性評量(Formative Assessment) (C) 總結性評量(Summative Assessment) (D) 診斷性評量(Diagnostic Assessment)。

22.運動員經過一段時間的訓練後，如果完全停止訓練或因傷臥床，其所獲得的生理適應與體能會逐漸衰退。此現象符合運動訓練的何種原則？ (A) 超負荷原 則(Overload) (B) 特殊性原則(Specificity) (C) 可逆性原則 (Reversibility) (D) 漸進性原則(Progression)。

23.動作技能的學習過程通常分為三個階段。在最終的「自化階段(Autonomous stage)」中，學習者的主要特徵為何？ (A) 需要大量依賴視覺回饋來修正動作 錯誤 (B) 動作表現不穩定且充滿嘗試錯誤 (C) 能在不需刻意專注的情況下，流 暢且精確地執行動作 (D) 需要教師不斷提供外部的口語提示與指導。

31. 某連鎖量販店計劃導入 AI 銷量預測系統，以優化每日進貨與庫存管理。團隊比較兩家軟體廠商提供的迴歸模型，兩個模型皆以相同的測試資料集進行評估，其中廠商甲模型的均方誤差(Mean Squared Error, MSE)為 12.5，廠商乙模型的均方誤差(MSE)為 42.0。僅依據 MSE 指標的數值與定義來評估模型表現，下列何者最適合作為模型評估結果的說明？ (A)應優先選擇廠商甲的模型，因為其 MSE 較低，代表模型預測值與實際銷量的整體誤差較小； (B)應優先選擇廠商乙的模型，因為 MSE 較高，代表模型能涵蓋更多不同的銷售情境，因此預測能力較佳； (C)兩個模型無法直接比較，因為 MSE 主要反映平均預測誤差，無法用來評估不同模型的預測表現； (D)由於兩者的 MSE 皆大於 0，代表模型皆存在過擬合(Overfitting)現象，無法判定哪一個模型較佳

32. 某證券公司開發 AI 輔助分析系統，需要分析長篇的法人說明會逐字稿。系統須有效建立逐字稿前後段落之間的長距離語意關聯，並在處理長篇文本時，能直接關聯相距較遠的文字內容，而無須依序傳遞前文資訊，以提升分析效率與準確性。下列哪一種模型架構最適合？ (A)長短期記憶網路(LSTM)； (B)循環神經網路(RNN)； (C)Transformer； (D)卷積神經網路(CNN)

33. 某製造業工廠導入 AI 模型預測設備故障風險，技術團隊向產線主管說明模型運作原理：模型在每一輪訓練中，會依據「預測故障機率」與「實際發生故障結果」之間的落差程度，產生一項量化指標，並將該數值提供給後續模型訓練流程，作為模型參數調整的重要依據。請問此敘述最符合深度學習訓練流程中哪個元件的功能？ (A)評估指標(Evaluation Metric)； (B)損失函數(Loss Function)； (C)優化器(Optimizer)； (D)特徵工程(Feature Engineering)