最新資料

專科學力鑑定◆專(一)：設計史

礦山評估與礦場設計

產品設計實務(選試木竹器)

115年 - 115 警察特種考試_三等_警察資訊管理人員：數位鑑識執法#140753(4題)

115年 - 115 警察特種考試_三等_警察資訊管理人員：電腦犯罪偵查#140752(4題)

115年 - 115 警察特種考試_三等_交通警察人員交通組：交通工程與管制#140751(10題)

115年 - 115 警察特種考試_三等_交通警察人員交通組：交通警察學（包括交通行政與組織、交通法規與執法、交通事故處理與偵查、交通安全策略與宣導）#140750(4題)

115年 - 115 警察特種考試_三等_消防警察人員：消防戰術（包括消防戰術、消防機械、緊急救護）#140749(4題)

115年 - 115 警察特種考試_三等_消防警察人員：火災學與消防化學#140748(4題)

115年 - 115 警察特種考試_三等_消防警察人員：消防警察情境實務（包括消防法規、實務操作標準作業程序、人權保障與正當法律程序）#140747(23題)

115年 - 115 警察特種考試_三等_犯罪防治人員預防組：犯罪分析#140746(4題)

115年 - 115 桃園市國民中學新進教師甄選試題：健康教育科#140745(50題)

115年 - 115 警察特種考試_三等_犯罪防治人員預防組：犯罪學與犯罪預防#140744(4題)

30.某物流公司希望讓配送系統在不同交通狀態下選擇路線，系統每次選擇後會根據配送時間、油耗與遲到罰則取得回饋，並逐步改善策略。下列哪一種學習模型最符合此決策情境？(A)強化學習(B)單純線性迴歸(C)K-means分群(D)PCA降維

29.某企業要在高維特徵空間中建立二元分類模型，並希望找到能最大化類別間隔的分隔邊界。若資料可能需要透過核函數處理非線性關係，下列哪一種模型最符合描述？(A)支援向量機(SVM)(B)K-means分群(C)Apriori關聯規則(D)PCA降維

28.某行銷團隊有數百個顧客行為特徵，想在保留主要資訊的前提下降低維度，方便視覺化與後續建模。下列哪一種方法最符合此需求？(A)主成分分析(PCA)(B)KNN最近鄰分類(C)決策樹剪枝(D)SMOTE少數類別合成

(三)如果以 B. IE 3 新電動機汰換 A 的舊電動機，所花的工程費，需多久才可以由節省的電費損益平衡(回收年限)？【5 分】

(二)下表中是 A、B 兩個不同能源效率的電動機之性能參數，假如運轉條件都相同，負載率 82%、運轉時數每年 8,400 小時，以每度電費 2.0 元估算，更換為 IE3 新電動機的設備及安裝工資等工程費共新台幣 25 萬元整，請完成下表中空格之計算。【10 分】

 (一)國際上對於電動機的能源效率共分為幾級？IE1 和 IE3 相比，何者較省電？ 【10 分】

統計學

講師：Terry Tung

簡介：國家考試考古題整理

考前60天◆經濟學

講師：Terry Tung

簡介：高普考、初考、三四五等、國營適用！ 申論題精析完備 + 選擇題全新解析 個經＆總經 6 大章節分類(供需、成...

教育統計

講師：Terry Tung

簡介：國家考試考古題整理

ok

描述：right

郵政法

描述：郵簡 以整張紙適當摺疊黏貼，並依中華郵政公司公告之紙張尺寸、規格，加印許可文件不加封套交寄之文件。...

證券分析師

描述：考照順序> 總經 法規 會計 投資 讀600題

20. How many E configuration are there in the following compounds? (A) 1 (B) 2 (C) 3 (D) 4 (E) 5

3. 下列有關教育隱喻（metaphor）與西方教育家的配對，何者正確？ (A) 教育即接生—蘇格拉底（Socrates） (B) 教師是園丁—柏拉圖（Plato） (C) 教育即生長—洛克（J. Locke） (D) 教育即引導—弗萊勒（P. Freire）

32.依郵件處理規則規定，有關電子函件交寄，下列敘述何者正確？ (A)寄件人須向郵局申請登記成為電子函件用戶 (B)寄件人持電子文件資料向指定郵局臨櫃交寄 (C)指定郵局轉成電子函件向收件人發送電子郵件 (D)電子函件不受理掛號交寄

33 關於目前生成式 AI 的主要應用，不包括下列哪一項？ (A) 創建合成數據樣本 (B) 模擬數據分佈 (C) 分類醫學影像 (D) 生成文本

37 下列哪項是生成式 AI支援鑑別式 AI 的典型案例？ (A) 模擬交通場景以訓練自動駕駛模型 (B) 使用 CNN 對腫瘤分類 (C) 使用 SVM 分析風險 (D) 創建更好的分類演算法

38 下列哪種方法能解決生成式模型的訓練不穩定性問題？ (A) 使用更大的數據集 (B) 採用 Waserstein GAN(WGAN) (C) 提高硬體效能 (D) 增加模型層數