【全馬課表的訓練量規劃方式】
在科學化訓練中,有三個原則,分別是1)量化、2)個人化、3)週期化。其中「量化」是一切的基礎,而訓練量的量化更是關鍵。有數據後,才能進行更精準地週期化課表安排。剛好這週的 #KFCS 跑步教練培訓進入到第六堂課,在上週講解完週期化(Periodization)的歷史、演變、原則和量化方式後,我設計了一個範例來跟培訓教練說明,同時也把它寫成試算表,也順便分享出來。
這個範例的假想學員是:
⇨ 已訓練有素一段時間
⇨ 體能好,是隻中猴子
⇨ 有16週的時間可練
⇨ 分為4個中週期
我把訓練量的量化與週期化安排流程設定為六個步驟,如下:
一、先決定最大量週要設定在哪一週?
二、決定最大週總量要設定多少?
三、中週期最大訓練週總量可直接等於下週期的第一週的量
四、各週期「加量幅度」要設定幾%?
五、各週期減量週的「減量幅度」要設定幾%?
六、比賽前最終減量期,總減量幅度要設定幾%?減量的時程和比例要如何安排?
整個規劃的關鍵是在第一和第二步驟。附上影片中的紅色數字即是第二步的最大量週的數據(此為 #RQ 訓練指數),若對學員不熟悉,一般來說我會在第一週期先設定為130(假設他/她是中猴子),後續再來調整。如果是長期合作的學員,確定是隻大猴子,一開始就會先設定為160;小猴子則從100開始,中後期再來微調。
影片中的Google試算表連結:https://reurl.cc/ZjAxEQ
先把試算表寫好的好處是,微調很方便,也比較不複雜,只要調整最大量週(以此範例來說是第14週)的週總量,其他週也會跟著調整。這個計算出來的數字也跟 #RQ 的開課表系統整合在一起了,只要你是白金會員,在 #RQ 的課表系統中開好一週的課表後,#RQ 會自動計算出該週的週總量,可以藉此幫助自己和學員確認開出的課表是否符合預計的量。
想要了解背後的邏輯,例如加量和減量為何要用試算表中的比例?減量的方式有哪些?大中小猴子如何判斷?可以前來 #KFCS 跑步教練培訓平台選修。
⇨ 週期化的安排原則:https://reurl.cc/WXr9y7
⇨ 如何確認自己該加量到多少才夠:https://reurl.cc/n51gy8
—
#KFCS 跑步教練培訓平台是為「想要進行科學化訓練」的教練和嚴肅跑者打造的,考慮到有些人想從事教練工作(兼職帶跑團或擔任全職教練),或是想要為自己開課表,進行科學化的自主訓練,而不知從何著手。這門課會深入淺出地引導大家認識訓練背後的科學(包含數學與哲學)。
目前共計24部教學影片(約十個小時的理論講解)外加作業,預計在一個月內再上架5部以上的教學影片(教練課於10月中結束後還會不定期更新),我的目標是幫助有心想成為跑步教練的人與想自主訓練的嚴肅跑者更系統性地學習「跑步訓練」的相關知識。對本套跑步教練培訓系統有興趣的人,可以不用再受空間時間限制,隨時上線學習……但要提醒一下,想要正式成為 #KFCS 跑步教練(銅牌)並不容易,有意加入的要有心理準備,我們的進修流程如下:1)觀看影片學習 → 2)完成學習日誌與作業 → 2)PB班實習與日誌選寫 → 4) 完成三個月實習教練 → 5)完成實習報告 → 6)報告合格 → 7) 取得 #KFCS 跑步銅牌教練。當然,想學習自主訓練的跑者也可以只上來教學平台「學習」與「提問」,不一定要走完教練培訓的流程。
其他詳細資訊,請參考:https://reurl.cc/gz25l4
若有任何疑問,可到臉書專頁「 飢餓傻瓜」上諮詢,或來信詢問: kuofengcoaching@gmail.com
「自主學習報告範例」的推薦目錄:
- 關於自主學習報告範例 在 Facebook 的最佳貼文
- 關於自主學習報告範例 在 冉齡軒服務團隊 Facebook 的精選貼文
- 關於自主學習報告範例 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 的評價
- 關於自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 的評價
- 關於自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 - 輕鬆健身去 的評價
- 關於自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 - 輕鬆健身去 的評價
- 關於自主學習報告範例 在 臺中女中108學年度自主學習成果發表影片 - YouTube 的評價
自主學習報告範例 在 冉齡軒服務團隊 Facebook 的精選貼文
臺中市議會第三屆第三次定期會,進行三天兩夜的市政考察行程,行程內容以考察澎湖縣地區的民政相關福利制度及建設等心得報告。
第一天
1.參訪澎湖縣政府,並拜會澎湖的大家長,澎湖縣長賴峰偉,席間了解到縣長對地方的民生問題都很重視,例如為了環保意識抬頭與觀光旅遊結合,開始在任內提倡禁葬與移葬,以及新建納骨塔,將零散的墓園有規劃地整理起來,釋出風水寶地開始行銷與建設澎湖觀光景點,也是所謂的青青草原計劃,鼓勵社區投入綠美化的工作,改造家園環境,增添城市文化藝術氣質,並仿造日本箱根公園,到處都可以看到地景藝術品。
2.接著到馬公市社區關懷據點「光明里」訪視,光明里辦公處在里長陳黃淑媛帶領下,由社區內的志工及里幹事等主辦社區各項活動,近年來積極推動低碳綠美化的環保工作,而里長以身作則不但設立關懷據點提供年長者一個安心共享的空間,也提供免費餐食,並透過社區活動,活絡當地人的生活,美麗的光明里環境也是里長帶領志工們日夜默默付出得來的,里長秉持著對社區的關懷與熱忱,無私利他的行動心讓人甚為感動。
3.再來造訪小步廚房,這是一個很特別的善心廚房,是一個為身心障礙者打造的獨立工作空間,由澎湖縣身心障礙者服務協會與在地專業人員組成,為降低社會成本之負擔,為使身心障礙者經濟自主而提供的庇護性職場,讓身心障礙者有一個自給自足的工作空間,小步廚房以餐盒外送外賣為起點,進而提供內用簡餐服務,並設計多項伴手禮,可以宅配訂購,也有提供社區關懷餐食,照顧社區長輩健康飲食,並根據長輩行動方便性與用餐習慣,提供供餐、送餐、關懷等服務。這樣多方面的複合式社會福利機構,也不禁讓人讚嘆澎湖社會福利做得非常完善周到。
第二天
1.澎湖東部離島海洋生態環境參訪,白灣坑東海半日巡航,搭乘郵輪 到東海無人島巡航70分鐘,沿線行經錠鈎嶼和雞善嶼欣賞玄武岩自然景觀,並觀賞燕鷗生態,體驗餵食燕鷗。與山城地區不同的生態環境,可以見到澎湖將自身地理環境優勢推廣出豐富的觀光景點。
2.西嶼鄉參訪地方建設與社區規劃,到西嶼社會福利館參觀,因為澎湖西嶼鄉人口老化嚴重,青年都到臺灣本島工作離鄉背景再加上少子化影響,小學招生也逐漸下降,所以澎湖縣政府將老舊校區打造成老幼共融的關懷據點,提供給在地鄉親一個休閒的活動中心,園區雖小五臟俱全,是我們山城區可以參考的範例,將閒置空間規劃成關懷據點,提供閱覽室、運動健身房、幼童遊憩室、科技新知房、桌遊室,多元化的社區服務可以讓鄉親都有一個放鬆的好去處,未來山城也能朝這些方向,發展我們的在地建設。
3. 再來到南寮古厝,喝當地獨具特色的風茹茶,欣賞古厝美景,社區裝置藝術以澎湖打漁留下的浮球作為各項彩繪藝術品,到處皆可看見用海底珊瑚及貝類砌成的特殊老磚牆,形成特色的澎湖建築,據了解珊瑚及貝類要做成磚牆需曝曬在陽光下三年以上,才能將裏頭的鹽水去除,製成永久不壞的磚牆,當地人將自己擁有的浮球結合時下流行的網美打卡聖地,其創意也是值得學習的。
4. 參訪澎湖開臺天后宮,也是全台灣歷史最悠久的媽祖廟,起源可遠溯自宋元明清,由漁夫與商人路經澎湖時在海邊搭建的一座小廟,史蹟紀載將近有400多年的歷史,於清朝期間媽祖加封的位階更有「護國庇民妙靈昭應仁慈天后」的稱號,目前天后宮被設定為第一級國家古蹟,並展開修復工作。天后宮廟宇旁也規劃成特色老街商圈,是遊客最愛到訪的地區,也是國內外影劇界最喜愛的拍攝場景。
第三天
參訪澎湖縣國定古蹟馬公金龜頭礮臺文化園區,鼎鼎有名的「天南鎖鏈」,會稱之為鎖鏈是因為海底有一條長達1公里以上的粗型鐵鍊,是防禦外敵的船艦之用的海底閘門。園區內保有地下坑道「澎湖戰役秘徑」因環境特殊有採限額進入坑道參觀。此軍事重地是由西元1887年開始建造的,歷經日據時期及民初國軍盤據的年代,所有園內建築經過多次改造,頗具特色,以前是重要的軍事重地,如今已經規劃成砲台觀光景點。
結論:
1. 澎湖縣為礁島型地理環境,多處特殊的自然生態,將之打造成獨具特色的觀光景點,是值得山城地區學習與參考,如何讓山區的特色凸顯出來是首要目標,並規劃一連串的遊覽路線,並可將農產品與觀光經濟結合,創造不輸澎湖的經濟效益。
2. 再來重要的人口老化,也是山城區會面臨到的問題,如今反觀本地的長照關懷中心,軟硬體設備皆有不足,未來應該打造如同光明里關懷據點般的活動中心。其中規劃與設計,加上志工人員的專業技能培訓與服務的熱誠,都需要社區民眾彼此成長與培養的,有心才能做得更好,用有限的資源創造無限溫暖的社區環境。
3. 應注重古蹟老舊的文物保存,若一昧地將老舊的東西淘汰撤換,不免讓人感覺在破壞歷史。可以將老舊的文物保存好,再利用新穎設計的方式改造成吸引人群尋根的真實文物,不但能傳承於後代世人也能將歷史故事增添神秘色彩。
#澎湖 #冉齡軒議員 #市政考察 #臺中市政府
自主學習報告範例 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
AI機器人將如何顛覆製造業?
面對AI機器人帶來的破壞式創新,台灣製造業該怎麼把握機會,在自動化典範轉移的亂局中,占有一席之地?
Bastiane Huang
Feb 6 · 1
在先前Robotics 2.0系列文章中,我們討論了AI如何讓機器人做到過去做不到的靈巧工作,並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用,透過觀察這個新技術的第一個應用場景,來預測這一切將如何影響我們的生產力、就業狀況以及日常生活。
這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備,同時占台灣產值最高(30%)的製造業。具有自主學習能力而且靈巧的AI機器人,將如何影響製造業流程及整體產業結構?供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新?
「未來已經到來,只是先被一部分人看見。」 — 作家威廉.吉布森
The future is already here — it’s just not very evenly distributed. — William Gibson
製造業自動化現況
根據國際機器人聯合會(IFR)發布的最近報告,全球工業機器手臂的出貨量在2018年創下新紀錄,來到38萬4,000台。其中中國仍是最大市場(占比35%),接著是日本,美國,台灣排名全球第六。
汽車以及電子製造業依然是工業手臂的最大應用市場(占比60%),遠遠領先其他包含金屬,塑膠及食品等產業。具體原因我們在第一篇文章也討論過,由於傳統機器人和電腦視覺的限制,目前除汽車業和電子業以外,倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。看到這裡,你可能會想:自動化及工業機器手臂在製造業既然已經有幾十年的歷史,該自動化或可以被自動化的部分應該都已經自動化了,還有什麼創新的空間呢?
出乎意料地,就連自動化程度最高的汽車製造業,離所謂的全自動化關燈工廠(lights out factory)也還有很大一段距離。舉例來說,汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分,平均一間汽車工廠裡有3分之2的員工都在裝配車間。就連一向追求革新與顛覆,主張追求最高自動化的特斯拉執行長馬斯克,都不得不公開承認,特斯拉生產線自動化的進度不如預期。
究竟為什麼自動化這麼困難?
自動化至今無法跨越的技術限制
現今的自動化生產線普遍為大量生產設計,因此能有效降低成本,但也因此缺乏彈性。面對消費者越來越短的產品生命週期,越來越多的少量多樣客製化生產需求,人類往往比機器人更能夠因應新的產品線,也不需要花費很多時間去重新編寫程式或更改製造工序。
1. 靈巧度與複雜度
儘管科技在快速進步,人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現,儘管組裝產品(assembly)已經高度自動化,但備料(kitting)的程序還是必須由人來完成。
備料在製造及倉儲業都很普遍,是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來,打包並放置在工具包(kit)的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業,這時候因為各個零件都在一個固定的位置和角度,自動化編程相對容易。相反地,備料時必須從雜亂無序的零件盒中辨識並拿取零件,零件的位置角度不一,甚至可能重疊或纏繞在一起,這對現有的機器視覺及機器人技術都是一項挑戰。
2. 視覺與非視覺性的回饋
另外一方面,很多複雜的裝配作業需要靠作業員的經驗或「感覺」。不論是安裝汽車座椅或是將零件放入工具包裡,這些看似簡單的動作,事實上都需要作業員或機器人接收,並根據各種視覺甚至觸覺訊號,來調整動作的角度及力道。
這些精細的微調使得傳統的自動化編程幾乎派不上用場,因為每次撿取或放置物品都不完全相同,需要像人一樣有從多次的嘗試當中,自主學習歸納的能力,而這正是機器學習,特別是深度及強化學習,能夠帶給機器人的最大改變。
Robotics 2.0:AI可以讓工廠機器人做到哪些事?
AI帶給機器手臂最大的改變就是:以往機械手臂只能重複執行工程師編寫程序,雖然精準度及速度都很高,但卻無法應對任何環境或製程改變。但是現在因為AI,機器可以自主學習更複雜的任務。具體來說,AI機器人較傳統機械手臂在3大方面有重大突破:
1. 視覺(Vision System)
就算是最高階的3D工業相機,仍然無法像人眼一樣,既可以精準判斷深度距離,又可以辨識透明的包裝、反射表面、或是可變形物體。這也是為什麼很難找到一款相機,既可以提供準確的深度,又能夠辨識大多數的包裝及物品,然而,這樣的情形很快就會被AI改變。
機器視覺在過去幾年取得了巨大的進展,幾間來自於矽谷及波士頓的新創,包括OSARO和Covariant,利用深度學習(deep learning),語意分割(semantic segmentation),及場景理解(scene understanding)提高了低階相機的深度及影像辨識,讓製造商不需要使用昂貴的相機,也能得到足夠準確的影像訊息,成功辨識透明或反射物體包裝。
2. 可擴充性(Scalability)
深度學習不需像傳統機器視覺一樣,需要事先建構每一個物品的3D模型。只需要輸入圖片,經過訓練,人工神經網路就能自動辨識影像中物體。甚至能使用非監督或自監督學習,降低人工標籤數據或特徵的需要,讓機器更近接近人一樣的學習,免去人為干預,讓機器人面對新的零件再也不需要工程師重新編寫程序。隨著機台運作,收集到的數據越來越多,機器學習模型的準確度也會進一步提升。
目前一般生產線通常有震動台、送料器、輸送帶等週邊設備,確保機器人能夠正確拿取需要的部件。如果機器學習再進一步發展,讓機器手臂更加智能,或許有一天這些比機械手臂更昂貴四五倍以上的週邊設備將不再被需要。
另一方面,由於深度學習模型一般儲存在雲端,這也讓機器人能夠互相學習,共享知識。舉例來說,若有一台機器手臂經過一個晚上的嘗試,學會如何組合兩個零件,便能夠很輕易地將這個新的模型更新到雲端,並分享給其他同樣也連結到雲端的機器手臂。這不但省去了其他機器的學習時間,也確保了品質的一致性。
3. 智能放置(Intelligent Placement)
一些對我們來說一點也不困難的指令:請小心輕放,或把物品排列整齊,對機器手臂而言卻是巨大的技術挑戰。
如何定義「小心輕放」?是在物體碰觸到桌面的瞬間停止施力?還是在移動到距離桌面6公分處放手讓物體自然落下?或是越靠近桌面就越降低速度?這些不同的定義又會怎麼樣影響物品放置的速度和精確度?
至於將物品「排列整齊」就更困難了,先不論每個人對整齊的定義都有所不同,為了能將物品精準地放置在想要的位置及角度,我們首先必須要先從正確的位置拿取物品:機械手臂依然不如人手靈巧,且目前一般機器手臂大多使用吸盤或是夾子,要做到人類關節及手指的靈活度,還有一大段距離。
其次我們要能即時判斷夾取物體的角度位置及形狀大小,以下圖的杯子為例,需要知道杯口朝上或朝下,要側放或直放,也要知道放置的地方有沒有其他物品或障礙物,才能判斷將杯子放在哪裡才能最節省空間。 我們因為從出生開始就在學習各種取放物品的任務,這些複雜的作業幾乎不加思索就可以完成,但機器並沒有這樣的經驗,必須重新學習。
經由AI,機器手臂可以更精準地判斷深度,還可以透過訓練,學習判斷及做到杯子朝上,朝下等不同狀態。也可以利用對象建模(Object Modeling),或是體素化(Voxelization),來預測及重建3D物體,讓機器可以更準確掌握實際物品的大小和形狀,進一步將物品放到該放的位置。
AI機器人將如何顛覆製造業?
現在我們知道AI可以讓機器做到許多以往做不到的事,但這對製造業現行的產業結構又會有什麼影響?誰能夠把握住新科技典範轉移技術帶來的機會?哪些公司又會面臨前所未有的挑戰?
AI機器人帶來的破壞式創新(Disruptive Innovation)
破壞式創新由哈佛商學院教授克雷頓‧克里斯汀生(Clayton Christensen)在其著作《創新的兩難》(Innovator’s Dilemma)當中提出。理論的中心思想是:
產業中的既有業者一般會為了服務現有客戶(通常也是利潤最高的客群),而選擇專注於「持續式創新」,改善現有的產品及服務。此時,一些資源較少的小公司把握機會,瞄準被忽略的市場需求,而取得進入市場的立足點。
破壞式創新又分為以下兩種:
(1)低階市場創新
一般大家較為熟悉的是「低階市場創新」,數位照相技術就是一例。早期的數位相機不僅解析度不佳,而且還有快門延遲很長的問題,但隨著數位照相品質及解析度逐漸進步,數位相機逐漸從低階市場晉升為主流。諷刺的是,柯達雖然研發出數位相機,但卻因為無法放棄當時該公司占據全球3分之2的底片市場,而最終被新技術淘汰。這正是所謂的「創新的兩難」,既有業者雖然看到新科技的威脅,但卻因為現有公司結構,策略等種種原因無法及時因應。
(2)新市場創新
「新市場創新」則是指新進公司瞄準既有公司尚未服務到的「新市場」進行創新。例如,電話剛推出的時候只能被用來做短距離的本地溝通,因此電報產業當時的領先者Western Union拒絕購買發明家貝爾的專利,因為該公司最賺錢的是長途電報市場,當時甚至不認為短途溝通會是一個市場,更不用說預見後來人人都用電話溝通的情景了。
而AI機器人帶來的,正是「新市場的破壞式創新」!
目前汽車及電子製造業占工業機器手臂出貨量的60%,這也導致市場領先者發那科(FANUC)、ABB、KUKA、安川(YASKAWA)專注於「持續式創新」:做他們最擅長,客戶也最需要的,進一步提高速度及精度。這也使得其他諸如倉儲業、食品製造業,或製造業中的「備料程序」成為被忽略新市場。這些客戶並不需要這麼高速度,高精度的作業,但需要機器手臂更靈活,更能彈性自主學習辨識及處理不同的零件或是工作。
新創AI機器人公司看到這樣未被滿足的需求,開始將人工智慧應用在機器人上,使得機器手臂可以被用在備料,包裝,倉儲等新市場。他們使用較低階的相機搭配機器學習模型,讓以往只能由人工作業的備料,貨物分撿等程序自動化,讓機器手臂可以被運用在更多不同的地方,甚至整個產業。
有趣的是,這些新創公司一般不自行生產機器手臂,而是專注於開發機器學習模型、機器視學及控制軟體,在硬體方面則選擇跟既有機器手臂廠商合作。因此,你可能會想,就算這些機器手臂公司不追求AI創新,他們也不會被時代淘汰,因為自動化還是需要硬體的供應。
但是,這樣想忽略了幾件事:
首先,有些機器手臂公司已經先嗅到了商機,並開始一邊與這些新創公司合作,一邊建立自己的AI團隊。這些公司因為率先採取行動,可以更快地在這些以往服務不到的新市場中建立客群,進一步領先競爭對手。
其次,隨著AI應用的普及,產業鏈中的最大價值,會逐漸由硬體轉向軟體及數據。 這點,我們已經可以從無人車的發展趨勢中看出。一但無人車可以做到高度自主,大部分的價值都會在掌握無人車機器學習模型及自駕數據的特斯拉,或Google等公司的手裡。這也是為什麼車廠人人自危,不是積極併購就是跟矽谷的軟體AI新創公司合作。相比起來,機器手臂及製造商對AI技術的接受速度似乎還不及汽車製造商。
AI機器人帶來的挑戰與機會
AI及機器人的結合帶來許多的可能性,但是這些改變絕非一蹴可幾。機器手臂公司縱使開始投資AI,也依然會面臨當初柯達所面臨的「創新者的兩難」。
要如何重新打造組織及發展策略,才能夠讓轉型的負面影響降到最低,也考驗各個公司管理階層的判斷與決心。
另一方面,開發全新市場也絕非簡單的事,新創公司仍需要和製造廠商密切合作,開發更貼合客戶需求的解決方案。 製造業的流程甚至比倉儲更複雜多樣,新創公司雖然了解AI及機器人技術,但卻不一定了解製造流程。這也給台灣製造廠商一個搶得先機成長轉型的最佳機會。
如果台灣廠商能夠率先和這些新創公司合作,不僅能透過流程自動化提升生產效率及品質,還能做到以往較難做到的少量多樣客製需求,擺脫大量製造,削價競爭的紅海策略。更可以成為新一代AI機器人的試驗場,和國際新創合作開發針對電子或半導體製造業的專屬解決方案,進而銷售到其他國家。
日前,曾任職於Google與百度的吳恩達(Andrew Ng)受邀來台演講中也指出,台灣應該善用自己在半導體與製造業的既有優勢,發展人工智慧,成為除了矽谷、北京之外的下一個AI Hub。 相較於其他像是零售或是消費性網路領域這些現在發展相對成熟的AI應用,台灣在製造產業中發展人工智慧,不但更具有了解應用案例、掌握數據等優勢,也有機會能夠藉由AI機器人等新技術,達到產業轉型的目的。
附圖:KIT工具包 — source: kitting-assembly.ca
深度學習物件辨識範例,由左至右分別為Mask-RCNN, Object Modeling, Grasp Point Prediction。OSARO
傳統及AI機器人創新策略比較 — source: Bastiane Huang
製造業自動化產業鏈- source: Bastiane Huang
資料來源:https://medium.com/marketingdatascience/ai%E6%A9%9F%E5%99%A8%E4%BA%BA%E5%B0%87%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E8%A3%BD%E9%80%A0%E6%A5%AD-ee2dbc3db7e4
自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 的推薦與評價
報告 - 自助旅行攻略-20201227 - 自助旅遊攻略履歷範本翻譯為英文Say ptt?tw ...自主學習計畫英文範例完整相關資訊- 輕鬆健身去圖片全部顯示學習報告範例- ... ... <看更多>
自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 - 輕鬆健身去 的推薦與評價
提供自主學習報告範例相關PTT/Dcard文章,想要了解更多自主學習計畫範例北一女、自主學習報告範例、自主學習範例生物有關運動與健身文章或書籍, ... ... <看更多>
自主學習報告範例 在 自主學習報告範例在PTT/Dcard完整相關資訊 的推薦與評價
報告 - 自助旅行攻略-20201227 - 自助旅遊攻略履歷範本翻譯為英文Say ptt?tw ...自主學習計畫英文範例完整相關資訊- 輕鬆健身去圖片全部顯示學習報告範例- ... ... <看更多>