阿摩線上測驗
登入
首頁
> 最新資料
最新資料
瀏覽最新的試卷、試題和詳解,掌握最新考試資訊
最新科目
研究所、轉學考(插大)◆免疫學
研究所、轉學考(插大)◆藥理學
研究所、轉學考(插大)◆應用病理學
最新試卷
115年 - 115-2 專技高考_物理治療師:物理治療技術學(包括電療學、熱療學、操作治療學與輔具學)#142506(80題)
115年 - 115-2 專技高考_物理治療師:物理治療學概論(包括物理治療史、物理治療倫理學與物理治療行政管理學)#142505(80題)
115年 - 115-2 專技高考_物理治療師:心肺疾病與小兒疾病物理治療學#142504(80題)
115年 - 115-2 專技高考_藥師(二):藥學(六)(包括藥事行政與法規)#142503(50題)
115年 - 115-2 專技高考_物理治療師:神經疾病物理治療學#142502(80題)
115年 - 115-2 專技高考_物理治療師:骨科疾病物理治療學#142501(80題)
115年 - 115-2 專技高考_藥師(二):藥學(五)(包括藥物治療學)#142500(80題)
115年 - 115-2 專技高考_藥師(二):藥學(四)(包括調劑學與臨床藥學)#142499(80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_基礎:特教專業知能 71-100#142498(30題)
115年 - 115-2 專技高考試題_藥師(一):藥學(一)(包括藥理學與藥物化學)#142497(80題)
最新試題
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
最新申論題
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)
最新課程
全彩圖像字根、字首、字尾記憶法
講師:
台中大雅家教-睿智數學及英文家教,王瑞志老師
簡介:
適合要擴充自己單字庫的人來修本課。需要有基礎字彙2000字以上,國中程度,才能輕鬆幫你記4000-6000高中單...
郵局複試超高分終極20問!破解攻略
講師:
台中大雅家教-睿智數學及英文家教,王瑞志老師
簡介:
提供郵局複試高分破解攻略! #郵局複試 #複試 #破解 #攻略 #口試 #郵局口試 #郵局
考衝班-全彩警特英文圖解單字記憶、閱讀線上課
講師:
台中大雅家教-睿智數學及英文家教,王瑞志老師
簡介:
提供警察特考英文,老師用全彩圖解單字記憶、閱讀線上課,還有2種以上的記憶方法,來教你輕鬆記英文單字,...
最新主題筆記
丸劑+表格筆記整理
課程:
【A'phar 藥劑學】 單元式歷屆考題彙整
章節:
雖然沒有每次都考但也重要的
主題名稱
課程:
【A'phar 藥劑學】 單元式歷屆考題彙整
顆粒劑+表格筆記整理
課程:
【A'phar 藥劑學】 單元式歷屆考題彙整
章節:
雖然沒有每次都考但也重要的
最新討論
15. 定溫下發生不可逆化學反應: 2 A → B,其中 A 為反應物,B 為生成物。已知 A 的濃度隨 時間線性下降,則下列敘述何者正確?(濃度和時間的單位分別為M與min) (A) 速率常數的單位為M/min (B) 此反應屬於二級反應 (C) A的消耗速率等於B的生成速率之一半 (D) A的半衰期正比於ln2
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
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