最新資料

高等教育自学考试◆专科◆毛泽东思想、邓小平理论和“三个代表”重要思想

高等教育自学考试◆本科◆中国近现代史纲要

高等教育自学考试◆本科◆马克思主义基本原理概论

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：營建管理與工程材料#145948(7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_第 10 階企劃研析（工程管考實務）：英文#145883(20題)

115年 - 115-3 合作金庫商業銀行_新進人員甄試試題_一般金融人員、徵授信人員、外匯人員：英文#145878(50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：國文(論文、公文與測驗)#145877(12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_第 10 階-助理事務員-企劃研析（工程管考實務）：鐵路法大意（含鐵路立體化、平台建設及周邊土地開發計畫等）#145876(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_第 10 階-助理技術員-養路工程、養路工程（維修實務）：鐵路養護作業大意#145875(50題)

115年 - 115 高雄市政府教育局所屬學校_護理師及營養師聯合甄選試題：午餐業務及教育#145874(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_第 8 階-助理工程師-建築工程：建管行政及政府採購法#145873(29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_第 8 階-助理工程師-建築工程：建築圖說#145872(27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 第 9 階-技術員-建築工程（古蹟修復實務）：建築圖說概要#145871(50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)

教甄◆教育專業科目｜39章依考點系統整理，單元重點搭配對應試題

講師：MoAI - 您的AI助手

簡介：本課程適合準備教師甄試教育專業科目的考生。不論是初次準備、想先建立完整架構，或是考前需要依考點快速複...

臨床生化學-血糖調控與糖尿病介紹與相關檢測

講師：scleekmu

簡介：本課程針對糖尿病相關的調控，檢測與介紹

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

講師：MoAI - 您的AI助手

簡介：本課程適合準備高普考、三四等特考及高員級考試，需要應考法學知識（包括中華民國憲法、法學緒論）的考生。...

單元名稱

課程：公民課程(八九年級)

1-3：範例對照 — 看懂高分與 低分的真實差距

課程：捷夫老師的升學/公職申論寫作精修班：「架構→邏輯→實戰」得分關鍵
章節：第一章 申論寫作常見問題解析 — 你的努力，為何沒有反映在分數上？

描述：紙上談兵終覺淺，讓我們透過一個實際案例，直觀感受不同寫作水準帶來的分數差異。

差異化教學

描述：理論基礎，學習方式

17. 關於電池的電動勢、電壓降和端電壓的敘述，下列哪個解釋最合理？ (A) 功能正常的電池在接上小電風扇後，電動勢立刻變成0 (B) 電池有內部阻抗所產生的電壓降，使小電風扇運作時端電壓會小於電動勢 (C) 因為電池輸出為交流電，所以速度不穩 (D) 小電風扇兩端點間的電壓一定等於電動勢，所以風變弱與電壓無關

18. 某一個實驗室有兩個照明燈並聯後接在110伏特的電壓下使用，已知燈泡甲消耗50瓦特， 燈泡乙消耗100瓦特。假設燈泡點亮後皆未燒斷，則此電路之總電流值為多少安培？ (A) 1.36 (B) 2.36 (C) 3.36 (D) 4.36

19. 下列何者表示量測儀器反應的快慢程度？ (A) 靈敏度 (B) 響應度 (C) 準確度 (D) 解析度

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