最新資料

轉學考-電子學

郵局專業職(二)內勤◆郵政三法大意(含郵政法、郵政儲金匯兌法、簡易人壽保險法)及金融科技知識

郵局專業職(二)外勤◆郵政法規大意(含郵政法及郵件處理規則)及交通安全常識(含道路交通安全規則第四章、道路交通管理處罰條例及道路交通事故處理辦法)

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 10 階、第 11 階各類科【第 10 階企劃研析（工程管考實務）類科除外】：作文#145866(1題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 8 階、第 9 階各類科：作文#145865(1題)

115年 - 115 國營臺灣鐵路股份有限公司工務處_從業人員甄試試題_第 10 階-助理技術員-養路工程、養路工程（維修實務)：鐵路工程大意#145864(50題)

115年 - 115-3 合作金庫新進人員甄試試題：綜合科目（會計學概要.貨幣銀行學.票據法.銀行法）#145863(73題)

115年 - 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：含會計學、貨幣銀行學、法律常識(票據法/銀行法)#145862(70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：企業管理#145851(17題)

115年 - 105 國立嘉義大學_碩士班(甲組)招生考試試題_木質材料與設計學系：木材化學#145849(11題)

115年 - 115 高等考試_二級_資訊處理：資訊管理與資通安全研究#145847(7題)

115年 - 115 高等考試_二級_電力工程：電機機械#145846(18題)

115年 - 115 高等考試_二級_資訊處理：軟體專案管理研究#145845(11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)

高普考/公職/國考作文，高分寫作批改攻略！

講師：台中大雅家教-睿智數學及英文家教，王瑞志老師

簡介：提供高普考/公職/國考作文，高分寫作批改攻略！ #作文 #高普考作文 #寫作批改作文 #寫作批改 #線上課程

國中數學會考總複習

講師：Terry Tung

簡介：蒐集分類20年以上的考題，整理90年以後到最新的國中會考試題並依照108課綱版本重新編排整理。考生可依據國...

國中自然會考總複習

講師：Terry Tung

簡介：20年數據精煉：從傳統考題到最新會考趨勢，我們為你濾掉過時資訊，只留最關鍵、最高頻的考點，讓你的練習每...

第1條

課程：【警鴿】2025警察法規(中):社維法、警械條例
章節：社會秩序維護法 第一編 總則 第一章 法例 §1~§6

描述：第1條（立法目的） ﹝1﹞為維護公共秩序，確保社會安寧，特制定本法。

第15條

課程：【警鴿】2025警察法規(中):社維法、警械條例
章節：社會秩序維護法 第一編 總則 第二章 責任 §7~§18

描述：第15條（共犯之處罰） ﹝1﹞二人以上，共同實施違反本法之行為者，分別處罰。其利用他人實施者，依其所利用...

第2條

課程：【警鴿】2025警察法規(中):社維法、警械條例
章節：社會秩序維護法 第一編 總則 第一章 法例 §1~§6

描述：第2條（罪刑法定主義） ﹝1﹞違反社會秩序行為之處罰，以行為時本法有明文規定者為限。

17. 1,000 kg 的水由 25℃加熱至 65℃時，需多少熱量？（Cp 為 1 kJ/kg_K） (A) 20,000 kJ (B) 30,000 kJ (C) 40,000 kJ (D)50,000 kJ

23. 針對 B 段要做CO2氣泡飲，和 C 段要做真空包裝，王同學跟老闆溝通「壓力的表示法」 或「壓力計」的選擇，下列哪種說法正確？ (A) CO2充填與真空包裝都用錶壓最直覺，真空度越高錶壓越大 (B) 真空包裝的真空度應該用絕對壓力或明確的真空度表示 (C) 錶壓、絕對壓力、真空度只是名詞不同，數值都一樣，壓力計可隨便選 (D) 若真空包裝的內壓低於10−7mbar，則應該使用巴登管壓力計(Bourdon gauge )量測

24. 根據程序控制的原理與方法，下列敘述何者正確？ (A) 溫度感測器在管線儀表圖裡的符號為TY (B) 溫度指示控制器所輸出的直流電流會轉換成電壓訊號到氣動式控制閥 (C) 控制元件輸出指令大小除了與設定值有關外，還受輸出的控制結果影響 (D) 當此程序過程中存在延遲過大的情況，該溫度指示控制器模式會完全消除延遲問題

25. 該控制器目標設定點 ( SP ) 為 40°C，但長期以來控制器裡的程序變數 ( PV ) 數值總是穩定 在 30°C。若經由工程師檢查後確認程序變數之數值與反應器內溫度完全一致，試問改成下 列哪一種控制器模式會使程序變數數值更接近於設定點且較穩定？ (A) 開關式控制(On –Off) (B) 積分控制(I) (C) 比例積分控制(PI) (D) 比例微分控制(PD)

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