seke blog: 2016

2016年9月22日星期四

Trying to get property of non-object in /.../class-category-sticky-post.php on line 200

WordPress啟用類別置頂插件category-sticky-post後，
類別內若無文章，會出現無貼文可置頂訊息:

    Trying to get property of non-object in /.../wp-content/plugins/category-sticky-post/class-category-sticky-post.php on line 200

解法如下: 在add_styles()方法，增加isset($post->ID) && 判別指令。

    category-sticky-post/class-category-sticky-post.php

      public function add_styles() {

        global $post;

        if( isset($post->ID) && is_archive() && '1' !== get_post_meta( $post->ID, 'category_sticky_post_border', true ) ) {
          wp_enqueue_style( 'category-sticky-post', plugins_url( '/category-sticky-post/css/plugin.css' ) );
        }
      }


參考:
https://tommcfarlin.com/category-sticky-post-2-1-0-support-post-types/

2016年5月24日星期二

four kinds of design for adding operation of two rationals

有理數加法的幾種設計: 結果回傳或覆蓋 vs 類別或物件方法
  (1) public static Rational add(Ratinoal r1, Rational r2)
      // 用法:  Rational r3 = Rational.add(r1,r2);  // r3=r1+r2

  (2) public static void add(Ratinoal r1, Rational r2)
      // 用法:  Rational.add(r1,r2);  // r1=r1+r2

  (3) public Rational add(Rational r2)
      // 用法:  Rational r3 = r1.add(r2);  // r3=r1+r2

  (4) public void add(Rational r2)
      // 用法:  r1.add(r2);  // r1=r1+r2

2016年5月23日星期一

Canonical Weighted Sum (CWS) Gates for Simplifying Bayesian Network Inference

decampos-10-ijar-combining content-based and collaborative recommendations- a hybrid approach based on bayesian networks

The following will explain the examples in pp793-794 of the paper.

Assume that I and F nodes in the bayesian network are binary random variables.
If the set of parent nodes of node I6 is Pa(I6) = { F6, F7, F8},
then the 8 possible configurations of conditional joint probabilities are
     pa1(I6) = (f6,1 & f7,1 & f8,1)
     pa2(I6) = (f6,0 & f7,1 & f8,1)
     pa3(I6) = (f6,1 & f7,0 & f8,1)
     pa4(I6) = (f6,1 & f7,1 & f8,0)
     pa5(I6) = (f6,0 & f7,0 & f8,1)
     pa6(I6) = (f6,0 & f7,1 & f8,0)
     pa7(I6) = (f6,1 & f7,0 & f8,0)
     pa8(I6) = (f6,0 & f7,0 & f8,0)

By use of Canonical Weighted Sum (CWS) Gates, which consist of 2x2x3=12 weights,
computation of 16 conditional joint probabilities (having 8 degrees of freedom)
can be decomposed into the summation of 12 weights (having 3 degrees of freedom):
 w(f6,1&i6,1) = w(f6,0&i6,0) = 0.3
 w(f7,1&i6,1) = w(f7,0&i6,0) = 0.4
 w(f8,1&i6,1) = w(f8,0&i6,0) = 0.3
and
 w(f6,1&i6,0) = w(f6,0&i6,1) = 0
 w(f7,1&i6,0) = w(f7,0&i6,1) = 0
 w(f8,1&i6,0) = w(f8,0&i6,1) = 0

Pr(i6,0 | pa1(I6))= Pr(i6,0 | f6,1 & f7,1 & f8,1) = w(f6,1&i6,0) + w(f7,1&i6,0) + w(f8,1&i6,0) = 0
Pr(i6,1 | pa1(I6))= Pr(i6,1 | f6,1 & f7,1 & f8,1) = w(f6,1&i6,1) + w(f7,1&i6,1) + w(f8,1&i6,1) = 0.3 + 0.4 + 0.3 = 1

Pr(i6,0 | pa2(I6))= Pr(i6,0 | f6,0 & f7,1 & f8,1) = w(f6,0&i6,0) + w(f7,1&i6,0) + w(f8,1&i6,0) = 0.3
Pr(i6,1 | pa2(I6))= Pr(i6,1 | f6,0 & f7,1 & f8,1) = w(f6,0&i6,1) + w(f7,1&i6,1) + w(f8,1&i6,1) = 0 + 0.4 + 0.3 = 0.7

Pr(i6,0 | pa3(I6))= Pr(i6,0 | f6,1 & f7,0 & f8,1) = w(f6,1&i6,0) + w(f7,0&i6,0) + w(f8,1&i6,0) = 0.4
Pr(i6,1 | pa3(I6))= Pr(i6,1 | f6,1 & f7,0 & f8,1) = w(f6,1&i6,1) + w(f7,0&i6,1) + w(f8,1&i6,1) = 0.3 + 0 + 0.3 = 0.6

Pr(i6,0 | pa4(I6))= Pr(i6,0 | f6,1 & f7,1 & f8,0) = w(f6,1&i6,0) + w(f7,1&i6,0) + w(f8,0&i6,0) = 0.3
Pr(i6,1 | pa4(I6))= Pr(i6,1 | f6,1 & f7,1 & f8,0) = w(f6,1&i6,1) + w(f7,1&i6,1) + w(f8,0&i6,1) = 0.3 + 0.4 + 0 = 0.7

Pr(i6,0 | pa5(I6))= Pr(i6,0 | f6,0 & f7,0 & f8,1) = w(f6,0&i6,0) + w(f7,0&i6,0) + w(f8,1&i6,0) = 0.3 + 0.4 = 0.7
Pr(i6,1 | pa5(I6))= Pr(i6,1 | f6,0 & f7,0 & f8,1) = w(f6,0&i6,1) + w(f7,0&i6,1) + w(f8,1&i6,1) = 0 + 0 + 0.3 = 0.3

Pr(i6,0 | pa6(I6))= Pr(i6,0 | f6,0 & f7,1 & f8,0) = w(f6,0&i6,0) + w(f7,1&i6,0) + w(f8,0&i6,0) = 0.3 + 0 + 0.3 = 0.6
Pr(i6,1 | pa6(I6))= Pr(i6,1 | f6,0 & f7,1 & f8,0) = w(f6,0&i6,1) + w(f7,1&i6,1) + w(f8,0&i6,1) = 0 + 0.4 + 0 = 0.4

Pr(i6,0 | pa7(I6))= Pr(i6,0 | f6,1 & f7,0 & f8,0) = w(f6,1&i6,0) + w(f7,0&i6,0) + w(f8,0&i6,0) = 0 + 0.4 + 0.3 = 0.7
Pr(i6,1 | pa7(I6))= Pr(i6,1 | f6,1 & f7,0 & f8,0) = w(f6,1&i6,1) + w(f7,0&i6,1) + w(f8,0&i6,1) = 0.3 + 0 + 0 = 0.3

Pr(i6,0 | pa8(I6))= Pr(i6,0 | f6,0 & f7,0 & f8,0) = w(f6,0&i6,0) + w(f7,0&i6,0) + w(f8,0&i6,0) = 0.3 + 0.4 + 0.3 = 1
Pr(i6,1 | pa8(I6))= Pr(i6,1 | f6,0 & f7,0 & f8,0) = w(f6,0&i6,1) + w(f7,0&i6,1) + w(f8,0&i6,1) = 0

1 = Pr(i6,0 | pa(I6)) + Pr(i6,1 | pa(I6))
  = w(f6,1&i6,0) + w(f7,1&i6,0) + w(f8,1&i6,0) + w(f6,1&i6,1) + w(f7,1&i6,1) + w(f8,1&i6,1) = 1

============================

Given Pa(U4) = { I1, I3, I6, I7, I8, I10 } with six-value (0,1,~,5) random variable U,
the network consists of 2x6x6=72 weights.

By the following 12 nonzero weights having 6 degrees of freedom (with all other weights being 0):
       w(i1,1&u4,1) = w(i3,1&u4,1) = w(i6,1&u4,2) = w(i7,1&u4,1) = w(i8,1&u4,3) = w(i10,1&u4,5) = 0.166
and
       w(i1,0&u4,0) = w(i3,0&u4,0) = w(i6,0&u4,0) = w(i7,0&u4,0) = w(i8,0&u4,0) = w(i10,0&u4,0) = 0.166
we can compute any Pr(U4 | pa(U4)) conditional probabilities by summation of the 12 nonzero weights.

(1) pa(U4) = { i1,1 & i3,1 & i6,1 & i7,1 & i8,1 & i10,1 }

Pr(u4,0 | pa(U4)) = w(i1,1&u4,0) + w(i3,1&u4,0) + w(i6,1&u4,0) + w(i7,1&u4,0) + w(i8,1&u4,0) + w(i10,1&u4,0)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,1 | pa(U4)) = w(i1,1&u4,1) + w(i3,1&u4,1) + w(i6,1&u4,1) + w(i7,1&u4,1) + w(i8,1&u4,1) + w(i10,1&u4,1)
    = 0.166        + 0.166        + 0            + 0.166        + 0            + 0
    = 0.5

Pr(u4,2 | pa(U4)) = w(i1,1&u4,2) + w(i3,1&u4,2) + w(i6,1&u4,2) + w(i7,1&u4,2) + w(i8,1&u4,2) + w(i10,1&u4,2)
    = 0            + 0            + 0.166        + 0            + 0            + 0
    = 0.166

Pr(u4,3 | pa(U4)) = w(i1,1&u4,3) + w(i3,1&u4,3) + w(i6,1&u4,3) + w(i7,1&u4,3) + w(i8,1&u4,3) + w(i10,1&u4,3)
    = 0            + 0            + 0            + 0            + 0.166        + 0
    = 0.166

Pr(u4,4 | pa(U4)) = w(i1,1&u4,4) + w(i3,1&u4,4) + w(i6,1&u4,4) + w(i7,1&u4,4) + w(i8,1&u4,4) + w(i10,1&u4,4)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,5 | pa(U4)) = w(i1,1&u4,5) + w(i3,1&u4,5) + w(i6,1&u4,5) + w(i7,1&u4,5) + w(i8,1&u4,5) + w(i10,1&u4,5)
    = 0            + 0            + 0            + 0            + 0            + 0.166
    = 0.166

1 = Pr(u4,1 | pa(U4)) + Pr(u4,2 | pa(U4)) +　Pr(u4,3 | pa(U4)) + Pr(u4,4 | pa(U4)) + Pr(u4,5 | pa(U4))
  = 0.5 + 0.166 + 0.166 + 0 + 0.166

(2) pa(U4) = { i1,0 & i3,0 & i6,1 & i7,1 & i8,0 & i10,0 }

Pr(u4,0 | pa(U4)) = w(i1,0&u4,0) + w(i3,0&u4,0) + w(i6,1&u4,0) + w(i7,1&u4,0) + w(i8,0&u4,0) + w(i10,0&u4,0)
    = 0.166        + 0.166        + 0            + 0            + 0.166        + 0.166
    = 0.666

Pr(u4,1 | pa(U4)) = w(i1,0&u4,1) + w(i3,0&u4,1) + w(i6,1&u4,1) + w(i7,1&u4,1) + w(i8,0&u4,1) + w(i10,0&u4,1)
    = 0            + 0            + 0            + 0.166        + 0            + 0
    = 0.166

Pr(u4,2 | pa(U4)) = w(i1,0&u4,2) + w(i3,0&u4,2) + w(i6,1&u4,2) + w(i7,1&u4,2) + w(i8,0&u4,2) + w(i10,0&u4,2)
    = 0            + 0            + 0.166        + 0            + 0            + 0
    = 0.166

Pr(u4,3 | pa(U4)) = w(i1,0&u4,3) + w(i3,0&u4,3) + w(i6,1&u4,3) + w(i7,1&u4,3) + w(i8,0&u4,3) + w(i10,0&u4,3)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,4 | pa(U4)) = w(i1,0&u4,4) + w(i3,0&u4,4) + w(i6,1&u4,4) + w(i7,1&u4,4) + w(i8,0&u4,4) + w(i10,0&u4,4)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

Pr(u4,5 | pa(U4)) = w(i1,0&u4,5) + w(i3,0&u4,5) + w(i6,1&u4,5) + w(i7,1&u4,5) + w(i8,0&u4,5) + w(i10,0&u4,5)
    = 0            + 0            + 0            + 0            + 0            + 0
    = 0

1 = Pr(u4,1 | pa(U4)) + Pr(u4,2 | pa(U4)) +　Pr(u4,3 | pa(U4)) + Pr(u4,4 | pa(U4)) + Pr(u4,5 | pa(U4))
  = 0.666 + 0.166 + 0.166 + 0 + 0

============================

Suppose that Acf = A4 or user 4.
Given Pa(Acf) = { Ux, Uy, Uz } with with six-value (0,1,~,5) random variable Acf,
the network consists of 6x6x3=108 weights.

By the following ? nonzero weights having ? degrees of freedom (with all other weights being 0):
       w(ux,5&acf,4) = 0.54
       w(uy,1&acf,4) = 0.15
       w(uz,4&acf,4) = 0.09
and
       w(ux,0&acf,0) = 0.6
       w(uy,0&acf,0) = 0.3
       w(uz,0&acf,0) = 0.1
we can compute any Pr(Acf | pa(Acf)) conditional probabilities by summation of the ? nonzero weights.


(1) pa(Acf) = { ux,5 & uy,1 & uz,4 }

Pr(acf,4 | pa(U4)) = w(ux,5&acf,4)               + w(uy,1&acf,4)               + w(uz,4&acf,4)
     = RSim(Ux,Acf) * Pr(A=4|Ux=5) + RSim(Uy,Acf) * Pr(A=4|Uy=1) + RSim(Uz,Acf) * Pr(A=4|Uz=4)
     = 0.6          * 0.9          + 0.3          * 0.5          + 0.1          * 0.9
                   = 0.78

(2) pa(Acf) = { ux,0 & uy,1 & uz,4 }

Pr(acf,4 | pa(U4)) = w(ux,0&acf,4)               + w(uy,1&acf,4)               + w(uz,4&acf,4)
     = 0                           + RSim(Uy,Acf) * Pr(A=4|Uy=1) + RSim(Uz,Acf) * Pr(A=4|Uz=4)
     = 0                           + 0.3          * 0.5          + 0.1          * 0.9
                   = 0.24

(3) pa(Acf) = { ux,0 & uy,1 & uz,4 }

Pr(acf,0 | pa(U4)) = w(ux,0&acf,0)               + w(uy,1&acf,0)               + w(uz,4&acf,0)
     = RSim(Ux,Acf)                + 0                           + 0
     = 0.6                         + 0                           + 0
     = 0.6

2016年5月3日星期二

why object-oriented programming provides encapsulation, inheritance, and polymorphism

一般完整的物件導向語言提供封裝、繼承、多型三大功能，允許以合成或繼承方式建構新物件。

其中，封裝(encapsulation)旨在保護私密資料的安全、完整性，其存取唯有透過公開的屬性存取(窗口)或運算方法達成之。

合成(composition)是一種利用物件建構物件的方法，物件之間的擁有(has-a)關係可形成階層樹狀圖。

繼承(inheritance)旨在提供新用舊的機制，讓後代需要用到親代原來的屬性及方法時，直接沿用，不必重造車輪。
繼承也是一種利用物件建構物件的方法，物件之間的屬於(is-a)關係可形成階層樹狀圖。

多型(polymorphism)旨在繼承架構下提供舊用新的機制，讓親代也有機會用到後代創新的新行為、新功能。

find the unique second smallest number in excel

一般 Excel 找最小或最大值可以使用 MIN(range) 或 MAX(range)函數，其中，range表示儲存格範圍。如果想要找第2小或第2大也可以使用 SMALL(range, 2) 或 LARGE(range, 2)，其中，2表示順序第2。但是以找最小為例，有時候遇到第1小及第2小值一樣，就看不出值分布情形。若希望能看到不同值的第2小數字，可以使用如下函數:

     = SMALL(range, COUNTIF(range, MIN(range)) + 1)

其中， SMALL(range, n) 可回傳 range 範圍內順序第 n 小的數字。 COUNTIF(range, MIN(range)) 可回傳 range 範圍內符合最小值的儲存格個數。此個數加1之後，即為不同值第2小數字之順序。因此可餵給 SMALL 函數，回傳不同值第2小數字出來。

至於不同值第3或第n小數字，可能就需要更複雜的 FREQUENCY 陣列函數或自己寫巨集計算了。

2016年4月20日星期三

how to retrieve access-denied files in an old disk drive

 
       系統掛載舊硬碟之後,因原始身份別不同,常有權限不符,無法讀取現象
 --
 因為目錄常啟用繼承上一層目錄的權限,因此比較省事的方法就是
  找到最上一層開始出現讀不到的共通目錄,由此設定Everyone完全控制
  其餘子層目錄根據繼承就會沿用Everyone完全控制
 --
 目錄/內容/安全性/進階/
  權限:按[停用繼承],選[從此物件中移除所有繼承權限]
       新增/允許/Everyone/完全控制/繼承自無/套用到這個資料夾、子資料夾及檔案
       勾選[以可從此物件繼承的權限項目取代所有子物件的權限項目(P)]
       選[套用]
  擁有者:變更
         請輸入物件名稱來選取(E): Everyone
         檢查名稱
         確定
        勾選[取代子容器與物件的擁有者]
        選[套用]
 --
 目錄檔案權限:各符合身份之帳號權限的最寬鬆集合
 分享權限:各符合身份之帳號權限的最寬鬆集合
 最終權限: 兩者之最嚴謹集合

2016年3月9日星期三

three kinds of traffic segmentation functions on a switch

企業在區網內會使用較高階的交換器，主要看重其3種分隔流量功能:

1.針對1對1單播訊框，可依照去處網卡住址MAC，決定訊框轉送出口，提升同時間會談量。

2.針對1對多廣播訊框，可依照延伸樹STP協定，決定埠口暫時開啟或關閉傳送功能，防止廣播風暴。

3.擁有虛擬區網VLAN功能，可任意跨交換器轉送訊框給相同VLAN接收者，不擔心資料外洩給其他VLAN。

2016年2月25日星期四

Example of Converting Taiwan Skills Certification Test Bank for Moodle Use

勞動部技術士技能檢定學科題庫轉成moodle平台試題法

如果想利用Moodle平台的測驗卷功能練習技術士檢定學科題目，
必須先將題庫轉成Aiken純文字格式，才能匯入平台開測驗卷。
本方法只適用純文字單選題，不適用含圖形之題目。
用到的軟體工具有一般瀏覽器、微軟Word、UltraEdit、微軟記事本。
其轉換步驟如下:

A.下載檢定題目

  從如下題庫網址，
    勞動部技術士檢定學科題庫
    http://www.labor.gov.tw/home.jsp?pageno=201109290020
  選擇適當級別及科目之學科題目，格式為.pdf。

B.轉換題目檔案格式

  利用如下線上轉檔網址，
    Convert PDF to Word (Free!)
    http://www.pdfonline.com/pdf-to-word-converter/
  將題目從.pdf格式還原為.rtf格式。

C.轉換題目為Big5純文字檔

  從微軟Word軟體，
  先用常用/取代功能，作如下1,2,3,4選項的字串取代，
   "①"  替換為 "A. "
   "②"  替換為 "B. "
   "③"  替換為 "C. "
   "④"  替換為 "D. "
  再用另存新檔功能，
  將.rtf格式轉換為.txt純文字格式。

  例如:
    1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？①網路層（Network）②實體層（Physical）③應用層 （Application）④傳輸層（Transport）。
  變成:
    1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？A.  網路層（Network）B.  實體層（Physical）C. 應用層 （Application）D. 傳輸層（Transport）。

D.調整題目內容符合Aiken格式

  利用UltraEdit的如下正規式功能
   UltraEdit/Search/Replace/Regular_Expressions
  逐步調整欄位相關內容:

  D1.每個選項獨立為一行
        "A. " 替換為 "^pA. "
        "B. " 替換為 "^pB. "
        "C. " 替換為 "^pC. "
        "D. " 替換為 "^pD. "

   說明:
        ^p表示換行字元
   例如:
       1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？A.  網路層（Network）B.  實體層（Physical）C. 應用層 （Application）D. 傳輸層（Transport）。
   變成:
       1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
       A.  網路層（Network）
       B.  實體層（Physical）
       C. 應用層 （Application）
       D. 傳輸層（Transport）。

  D2.擷取答案1,2,3,4
         "%[0-9]+.*(^([1-4]^))" 替換為 "ANSWER: ^1 ^p"

   說明:
         %表示行開頭，[0-9]+表示1個以上由0~9任一字元組成的字串，
         .*表示任意字元數的字串，[1-4]表示1~4任一字元，
         ^(.....^)表示擷取.....範圍內的字串，^1表示代入匹配擷取成功的第1組字串。
   例如:
          1. (2) 在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
   變成:
          ANSWER:  2
          在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？

  D3.調整答案欄位到題目之後
        "%^(ANSWER: [A-D]^)^p ^(?*^pA.?*^pB.?*^pC.?*^pD.?*^)$"
        替換為
        "^2^p^1"

   說明:
         %表示行開頭，$表示行結尾，[A-D]表示A~D任一字元，^p表示換行字元，
         ^(.....^)表示擷取.....範圍內的字串，
         ^1表示代入匹配擷取成功的第1組字串，^2表示代入匹配擷取成功的第2組字串。
   例如:
         ANSWER:  2
         在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
         A.  網路層（Network）
         B.  實體層（Physical）
         C. 應用層 （Application）
         D. 傳輸層（Transport）。
   變成:
         在 OSI 7 層協定中「網路硬體協定」，屬於以下哪一層？
         A.  網路層（Network）
         B.  實體層（Physical）
         C. 應用層 （Application）
         D. 傳輸層（Transport）。
         ANSWER:  2

E.存成UTF-8格式

   利用記事本讀入修改題庫，另存新檔成UTF-8格式。

F.匯入moodle平台

   利用moodle的[課程管理/題庫/匯入]選單，選擇Aiken格式，選擇一檔案，匯入。
   再為題庫設定階層類型的名稱，供後續出試題之用。
   
參考:
1. UltraEdit 正規式說明:
     http://www.ultraedit.com/support/tutorials_power_tips/ultraedit/regular_expressions.html
2. Moodle載入題庫及出試題說明:
     http://budamedia.blogspot.tw/2014/12/moodle.html

2016年1月7日星期四

cache-based memory access time

mchoes-11-cengage-understanding operating systems, 6ed.

課本第3章提到快取記憶體時，有計算平均記憶體存取時間(AvgMemAccessTime)的公式。
其中，h為快取命中率，AvgCacheAccessTime為快取存取時間，AvgMainMemAccTime為主記憶體存取時間。


(1)當假設CPU取用記憶體前，採用一律先詢問快取記憶體，若沒有再詢問主記憶體的循序作法時，
   則所花時間依下式計算，可簡化為課本式子。

   AvgMemAccessTime
   = h * AvgCacheAccessTime + (1-h) * [AvgCacheAccessTime + AvgMainMemAccTime] 
   = AvgCacheAccessTime + (1-h) * AvgMainMemAccTime


(2)當假設CPU取用記憶體前，採用快取記憶體及主記憶體兩者同時詢問，看誰先回覆的並行作法時，
   則所花時間依下式計算，即為如下式子。

   AvgMemAccessTime 
   = h * AvgCacheAccessTime + (1-h) * AvgMainMemAccTime


雖然課本提到兩種作法都可能採用，但是多數為第1種循序作法，故建議用課本式子計算。

訂閱：文章 (Atom)

seke blog

2016年9月22日星期四

Trying to get property of non-object in /.../class-category-sticky-post.php on line 200

2016年5月24日星期二

four kinds of design for adding operation of two rationals

2016年5月23日星期一

Canonical Weighted Sum (CWS) Gates for Simplifying Bayesian Network Inference

2016年5月3日星期二

why object-oriented programming provides encapsulation, inheritance, and polymorphism

find the unique second smallest number in excel

2016年4月20日星期三

how to retrieve access-denied files in an old disk drive

2016年3月9日星期三

three kinds of traffic segmentation functions on a switch

2016年2月25日星期四

Example of Converting Taiwan Skills Certification Test Bank for Moodle Use

2016年1月7日星期四

cache-based memory access time

搜尋此網誌

標籤

熱門文章

網誌存檔

關於我自己

總網頁瀏覽量

2016年9月22日 星期四

2016年5月24日 星期二

2016年5月23日 星期一

2016年5月3日 星期二

2016年4月20日 星期三

2016年3月9日 星期三

2016年2月25日 星期四

2016年1月7日 星期四

搜尋此網誌

標籤

熱門文章

網誌存檔

關於我自己

總網頁瀏覽量

2016年9月22日星期四

2016年5月24日星期二

2016年5月23日星期一

2016年5月3日星期二

2016年4月20日星期三

2016年3月9日星期三

2016年2月25日星期四

2016年1月7日星期四