最新資料

升資考/佐級晉員級◆運輸學概要

升資考/員級晉高員◆運輸學

升資考/員級晉高員◆企業管理

115年 - 政府採購法之罰則及附則_是非題 151-200#143706(50題)

115年 - 115 中央存款保險公司進用正式職員公開甄試試題_際金融事務人員(七職等)、 宣導媒體規劃人員(七職等)：邏輯推理#143705(40題)

115年 - 115 專技高考_不動產估價師：不動產估價實務#143703(3題)

115年 - 115 專技高考_民間之公證人：英文#143702(3題)

115年 - 115 專技高考_會計師：成本會計與管理會計#143701(38題)

115年 - 115 專技高考_會計師：中級會計學#143700(33題)

115年 - 115 專技高考_專利師（選試專業英文及電子學）、專利師（選試專業日文及電子學）：電子學#143699(18題)

115年 - 115 專技高考_專利師（選試專業英文及工程力學）、專利師（選試專業英文及生物技術）、專利師（選試專業英文及電子學）、專利師（選試專業英文及物理化學）、專利師（選試專業英文及工業設計）、專利師（選試專業英文及計算機結構）：專業英文#143698(28題)

115年 - 115 專技高考_專利師（選試專業英文及工業設計）、專利師（選試專業日文及工業設計）：工業設計#143697(8題)

115年 - 115 專技高考_專利師（選試專業日文及工程力學）、專利師（選試專業日文及生物技術）、專利師（選試專業日文及電子學）、專利師（選試專業日文及物理化學）、專利師（選試專業日文及工業設計）、專利師（選試專業日文及計算機結構）：專業日文#143696(27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)

藥物治療學

講師：GO-GO國考(二階通過)

簡介：整理109-114-1國考題，少部分是到104年

藥事行政與法規

講師：GO-GO國考(二階通過)

簡介：一、衛生行政體系 及衛生法規 概要（含 藥政管理 組織 體系與業務） 二、藥師業務及執業管理 （一）藥 師業...

【A'phar 藥劑學】 單元式歷屆考題彙整

講師：A'phar

簡介：收錄114-2~100-1近15年最新歷屆試題 Corporation with A'phar

網路硬體、伺服器

描述：計概網路硬體比較、伺服器整理

作為犯與不作為犯

描述：廖震老師上課內容做成的筆記

我

描述：我

49. 沁栩運用造形原理和設計概論所學，試著生成出一張具中式古典特色的餐椅，最有可能 是下列哪一把？ (A)(B)(C)(D)

50. 沁栩想要創造一個配色具繽紛活潑感，且造形富含趣味感的餐廳空間，下列提示詞何者 較容易生成符合前述條件的圖像？ (A) 高短調配色的威廉．莫里斯(William Morris)風格 (B) 高長調配色的曼菲斯小組(Memphis Group)風格 (C) 中長調配色的勒．柯比意(Le Corbusier)風格 (D) 中短調配色的安藤忠雄(Tadao Ando)風格

1. 有一批次絕熱反應器進行兩次實驗，其反應式為A+2B→AB2，平均反應熱為−0.1kJ∙mol−1。 第一次實驗反應前以 1 mol 反應物 A 與 2 mol 反應物 B 進入該反應器，而且 A 和 B 的溫度 皆固定為 300 K，反應後溫度為 310 K。第二次實驗反應前 A 之進料莫耳數與 A 和 B 溫度 跟第一次實驗相同，但改變反應物B之進料莫耳數，並假設反應後的溫度同樣為310K，下列敘述何者正確？( A 的平均定壓莫耳熱容量為 1 J∙ mol−1 ∙ K−1 ，B 的平均定壓莫耳熱容 量為2 J∙mol−1 ∙K−1 ，AB2 的平均定壓莫耳熱容量為5J∙mol−1 ∙K−1) (A) B之進料莫耳數從2mol減少為1mol，AB2之選擇性上升 (B) B之進料莫耳數從2mol減少為1mol，B之轉化率不變 (C) B之進料莫耳數從2mol減少為1mol，B之轉化率上升 (D) B之進料莫耳數從2mol增加為3mol，B之轉化率上升

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