最新資料

財務會計理論暨實務

技檢◆烘焙食品-麵包、餅乾-乙級

行銷管理、電腦概論

115年 - 115 台灣自來水股份有限公司_評價職位人員甄試試題_技術士化驗類：高中(職)分析化學及水質檢驗操作須知#144692(50題)

115年 - 115 台灣自來水股份有限公司_評價職位人員甄試試題_技術士工程類：高中(職)土木及水管埋設施工#144691(50題)

115年 - 115 台灣自來水股份有限公司_評價職位人員甄試試題_技術士操作類-乙(淨水、管線、水源)、技術士化驗類：高中(職)物理化學#144690(50題)

115年 - 115 台灣自來水股份有限公司_評價職位人員甄試試題_技術士裝修類-甲(新裝、修漏)：高中(職)配管裝修#144689(50題)

115年 - 115 台灣自來水股份有限公司_評價職位人員甄試試題_技術士操作類-甲(機電)：電機(工)機械#144686(50題)

115年 - 計程車執業登記測驗：臺南市地理環境_是非題 201-246（2026/09/09 更新）#144654(46題)

115年 - 計程車執業登記測驗：臺南市地理環境_是非題 151-200（2026/09/09 更新）#144653(50題)

115年 - 計程車執業登記測驗：臺南市地理環境_是非題 101-150（2026/09/09 更新）#144652(50題)

115年 - 計程車執業登記測驗：臺南市地理環境_是非題 51-100（2026/09/09 更新）#144651(50題)

115年 - 計程車執業登記測驗：臺南市地理環境_是非題 1-50（2026/09/09 更新）#144650(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)

數學課

講師：摩友(100006038082990)

簡介：1-10單元

Higher! 111學年度603BEN’s English Class

講師：摩友(100006038082990)

簡介：1-4單元

國三下英文課程(九年級)

講師：台中大雅家教-睿智數學及英文家教，王瑞志老師

簡介：提供國三下英文單字口訣記憶課程，諧音記憶法，老師嚴選測驗題，透過遊戲+影音+講義+測驗，多環相扣的方式...

1.5~1.6 考試易混淆的觀念澄清 & 課後練習題解答

課程：AI初級-科目1-L11101 AI的定義與分類
章節：AI的定義：從人類智慧到機器智慧

描述： 5. 考試易混淆的觀念澄清 在準備iPAS考試時，有幾個觀念是學員經常混淆的，在此特別加以釐清： 5.1 AI、機...

會計、企管

描述：會計、企管

票據法筆記

描述：票據法筆記

10. 研究生在實驗室測得某液體在固體表面上的接觸角為120°，則該固體表面對於此液體呈現 何種潤濕現象？ (A) 液體可以完全潤濕固體表面 (B) 液體較容易潤濕固體表面 (C) 液體完全不潤濕固體表面 (D) 液體較難以潤濕固體表面

11. 苯與甲苯的混合物可視為理想溶液，當此混合物形成二相系統時，下列何者敘述正確？ (A) 在定壓下，混合物完全氣化的溫度與液相苯的莫耳分率呈線性關係 (B) 在定壓下，混合物完全液化的溫度與液相苯的莫耳分率呈線性關係 (C) 在定溫下，混合物的氣相甲苯分壓與液相苯的莫耳分率呈線性關係 (D) 在定溫下，混合物的氣相甲苯飽和蒸氣壓隨液相苯的莫耳分率線性下降

12. 定壓下尼古丁與水的混合溶液形成的相圖如圖 ( 一 ) 所示，混合 X g 尼古丁和 60 g 水，再將混合物加熱到120°C。若液體的揮發量可忽略，且可觀察到一個液-液界面，之後在120°C 下又加入Xg尼古丁，達平衡後界面消失，則X可能是下列何值？ (A) 300 (B) 250 (C) 150 (D) 50

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