墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.6k累计阅读
1.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
机器人编程课必要性?说起小孩的学习，想必家长们都是非常的有发言权的。很多的家长想要孩子去学习机器人编程的课程，但是有的家长对于机器人编程课必要性并不是特别的清楚，他们不知道孩子学习机器人编程有啥好处，今天我们就一起来了解一下机器人编程课必要性?
机器人编程课程可以培养孩子的创造力
智能机器人是由零件和程序组成的，而零件和程序都可以任意组合出无穷多的结果，这一过程有利于培养孩子的想象力和创造力。这与我们考试不一样，每道题都会有标准答案，机器人编程恰恰相反，没有所谓的标准答案，只需完成要求即可，因此，不会限制孩子创造力的培养。
机器人编程课程可以培养孩子的团队协作能力
在我们的印象中，比赛都是个人的，但机器人比赛不同，它不是个人比赛，而是需要团队协作才能完成的比赛，比赛过程中，分工协作，完美配合，从而赢得比赛。
机器人编程课必要性?通过上面的介绍，想必您对于机器人编程课必要性有了一个好的了解和认识。孩子学习机器人编程对于孩子来说学习的好处其实是非常多的。但是家长们需要注意的是一定要给孩子选择正规靠谱大机构，这样孩子的学习各方面才能有一个好的效果。
1、为什么要研究机器人
机器人，是头部科技公司的竞争，是人工智能的终极载体，是人类梦想的极致追求，将开启人工智能应用的星辰大海。
小孩子有没有学机器人编程的必要
最妙的是这种能力对生活的各个方面都是有用的，除了上文中做菜的例子，小编还想列举“买苹果”事例，平常人买苹果可能就直接，今天我要买苹果，但程序员可能会依次，今天我要买苹果，要选择红富士品种，附近有哪些商店，价格最后控制在10元内等等，这种思维能把生活中复杂的难题拆分为一个个小问题，然后逐一攻破。很多的家长在培养孩子的学习方面也可以说是十分的用心的。就拿现在很多的家长想要孩子去学习机器人编程的课程来说，他们对于小孩子有没有学机器人编程的必要并不是很清楚，今天我们就一起来了解一下小孩子有没有学机器人编程的必要?.
斯坦福Karel机器人编程课程详解
在你成功安装并配置好Karel之后，可以开始熟悉界面布局，以便使用其进行编程。Karel界面通常包括以下几个部分：编辑器区域：这是编写代码的主要区域。你可以在这里输入、编辑、保存你的Karel程序。控制面板：提供了运行程序、暂停、停止和重置模拟环境的功能。状态显示：显示当前Karel的状态，包括它的位置、方向和已收集的标记物数量。世界地图：这是Karel操作的虚拟环境，你可以在此创建障碍物，定义起点和终点。
智能机器人编程有必要学吗?
机器人编程是由各种传统的学科构成的，例如：数学、物理、化学、结构、建筑、地理、生物、能源、信息技术等。学习机器人可以培养孩子的各种能力，包括动手、想象、创造、观察、分析、判断、归纳、理解、决策、组织、实验、计划性、条理性等。 如果你正为这些纷繁的学科感到束手无策，机器人编程会让你在轻松的环境中掌握这些知识。相当重要的一点，机器人编程要比传统的基本学科的内容要丰富，而且可以将各种学科有机的结合...
Stanford JAVA公开课：Karel机器人编程实践入门
Java语言自1995年由Sun Microsystems公司发布以来，因其独特的设计理念和”一次编写，到处运行”的跨平台特性而迅速成为最流行的编程语言之一。Java的历史几乎与互联网的普及同步，它的问世使得在不同操作系统间实现软件的可移植性成为现实。Java的成功也离不开它的几个核心特点：面向对象（Object-Oriented）：Java支持封装、继承和多态，使得代码模块化和可复用性提高。平台无关性。
ABB机器人操作与编程实用资料包
在选择合适的机器人时，了解其技术参数是至关重要的。技术参数能够直接反映出机器人的性能和适用场景，以下是ABB机器人中两个关键的技术参数：负载能力与运动范围，精度与重复定位能力。RAPID是ABB机器人的专用编程语言，它允许工程师以一种结构化的方式编写程序，控制机器人执行各种任务。RAPID语言的设计哲学是易于使用和理解，其语法与Pascal和C语言有一定的相似性，这对熟悉这些语言的程序员而言是一个便利。RAPID支持模块化编程，数据类型丰富，包括布尔值、整数、浮点数、字符串以及复杂的自定义数据类型。
这一篇彻底说清楚了！乐高，编程，机器人到底要不要学？
转自：http://www.sohu.com/a/282193446_120065891 ，即可关注我们！ 从前几年开始，乐高培训就如火如荼，很多爸妈都知道，孩子学习乐高可以培养想象力、空间结构能力，到5-6岁后很多孩子开始学习乐高机器人，会开始涉及一些编程基础。 爸妈们已经越来越明白，从小学习乐高的孩子会有什么不一样。 会编程、会搭模型，会设计机器人，全神贯注，去完成一个目标！ 男...
触觉导航机器人固件编程实践：progisp工具教程
随着自动化技术的飞速发展，触觉导航机器人技术在智能系统中扮演着越来越重要的角色。这类机器人利用触觉传感器来感知并响应环境中的物理接触，从而实现精准导航和任务执行。触觉导航技术不仅能够提高机器人的灵活性和适应性，还能显著提高工业自动化、机器人辅助手术以及自主移动设备等领域的安全性与效率。触觉导航机器人主要包含几个关键技术点，首先是从传感器获取的数据处理，其次是复杂的导航算法来处理这些数据，最后是机械执行部分的控制。它们在实时数据分析、路径规划、避障决策等方面展现出强大的能力。
解读机器人编程课程的未来需求
过去几年，机器人编程可谓是教育行业的一匹黑马，异军突起。随着教育部对奥赛培训发出最严禁令，以及相关政策支持编程教育进入中小学，编程教育逐渐进入大众视野并迅速爆发。一时间，在线编程教育机构如雨后春笋般涌现。但就目前来看，一路狂飙的机器人编程似乎逐渐驶入了雷区：资金链断裂、裁员、倒闭的剧情纷纷上演。机器人编程教育市场面临如此困境，绝非意外。毕竟这一市场自诞生之初，就缺乏成长沃土——成熟的市场环境。从市场需求来看，当前大多数学生课业任务繁重，在宝贵的课余时间报辅导班，多会选择有助于课内学习的课程。像机器人编程这类
LM Studio中文版零基础入门：从安装到模型下载的保姆级教程（附国内镜像源配置）
本文提供LM Studio中文版的零基础入门教程，涵盖从软件安装、中文界面切换到国内镜像源配置的全流程。特别针对模型下载速度慢的问题，详细介绍了如何通过修改配置文件使用国内镜像站，并推荐适合新手的入门模型及硬件配置建议，帮助用户快速上手本地大模型运行。
几款支持国标GB28181的平台以及视频监控设备接入的配置方法(Web端无插件播放)
GB28181解决的一个主要问题就是如何远程、跨网络、跨区域、跨级别的访问网络中的监控设备（包括IPC、NVR等），本文介绍几款G28181平台的接入配置方法，适合有监控视频摄像头的远程接入和预览需求的人群参考使用。
对于孩子来说，学机器人好还是编程好？
孩子学机器人还是编程好？在给孩子选择STEAM相关课程时，很多家长都会因为这个问题产生困扰。 近两年，很多国家都相继发布了STEAM相关的利好政策，机器人和少儿编程成为了目前STEAM领域最为火热的赛道。再给孩子选择课程之前，首先我们应该搞清楚这两者的区别，唯有如此，家长才能根据孩子的兴趣点选择对孩子能力提升有帮助的课程。 首先从知识范围来说，少儿编程属于纯软件教学，注重编程的逻辑能力训练，对...
学术规范与论文写作（雨课堂）研究生 全部答案
1：如何造就优秀的学术论文 论文语法判断题 ：全部是错的 2：如何撰写学术论文 3： SCI论文写作经验分享 4：论文写作与投稿技巧 5：学术伦理道德 答案仅供参考，研究生生活不易，大家如果有时间的话，还是可以学习学习的，毕竟老师讲的不错。加油，希望读研的每一个人都能顺利毕业！ ...
ROS机器人编程学习（一）——机器人软件平台
《ROS机器人编程》第一章 机器人软件平台，主要介绍了机器人开发的现状和机器人平台的基本组件，重点介绍了目前较为活跃的机器人软件平台，其中机器人操作系统ROS (Robot Operating System) 使用最为广泛。
STM32F401RCT6最小系统原理图设计
STM32F401RCT6最小系统原理图设计一、主控芯片二、电源电路三、晶振电路三、下载电路四、完整电路图 本文章基于STM32F401RCT6进行最小系统原理图设计，包含主控芯片，电源，晶振电路，下载电路等几部分 一、主控芯片 主控芯片采用STM32F401RCT6，需注意： VBAT在不接电池的情况下需接3.3V,VDDAVREF+需接3.3V，否则会造成芯片供电不正常，无法启动和识别的情况 VDDAVREF+和VCAP1处电容需按照规格书
视觉-语言模型：BLIP与Flamingo如何理解图文？
视觉-语言模型：BLIP与Flamingo如何理解图文？ ，人工智能，计算机视觉，大模型，AI，在当今人工智能飞速发展的时代，视觉 - 语言模型作为多模态领域的关键技术，正逐渐改变着我们与数字世界交互的方式。它们致力于打破图像与文本之间的模态壁垒，使计算机能够像人类一样，综合理解和处理视觉与语言信息。其中，BLIP 和 Flamingo 两款模型脱颖而出，以独特的架构和创新的训练方法，在图像描述生成、视觉问答、图文检索等任务中展现出卓越的性能。本文将深入剖析 BLIP 与 Flamingo 模型的工作原理。
世界机器人冠军王宇航_9.9元学少儿编程课！机器人世界冠军、常春藤教授教学，完课还送大礼包！...
现在越来越多的家长开始让自己的孩子学习编程，那么编程有没有必要学呢？学习编程有什么用？首先明确的是编程的本质是解决思考和逻辑问题，特别锻炼大脑开发和思维能力，国家教育部门对于编程也越来越重视。在2019年教育部最新公布的《面向中小学生的29项全国竞赛活动名单》中，科技创新类占了绝对优势，共有12项，创意编程、人工智能等关键词就直接出现在了项目名称中。▲上下滑动看全图图源 教育部官微...
H3LIS200DL三轴加速度传感器原理图设计，已量产（加速度传感器）
在最近的工业振动监测项目里，我们选了 ST 的 H3LIS200DL 做核心传感器 —— 这颗料的特点太契合场景了：±100g/200g 的大量程刚好覆盖设备冲击与振动的测量需求，10μA 的超低功耗能适配电池供电的边缘节点，0.5Hz 到 1kHz 的输出速率也足够抓准动态信号。下面结合实际画的原理图，拆解下这个硬件电路的设计思路。
学机器人编程要学什么知识
家长在培养孩子的学习方面也可以说相当的耐心的，他们会给孩子选择一些能够有利于孩子成长的课程，就拿现在很多的家长想要孩子去学习机器人编程的课程来说，有的家长对于学机器人编程要学什么知识并不是很清楚，今天我们就一起来了解一下学机器人编程要学什么知识?编程，通俗易懂的话来说， 就是人和电脑的对话，用电脑听得懂的语言，告诉它你想让它做的事。机器人编程的学习对于很多家长们来说，都希望孩子能够通过机器人编程的学习，来提升孩子的竞争力，所以这就需要家长们在给孩子选择学习课程的时候，一定要选择适合孩子年龄阶段的课程。
使用 ABAP 代码动态创建新的 Function Module
通过内表。
Java 新纪元 — JDK 25 + Spring Boot 4 全栈实战（十九）：微服务实战——Boot 4 + Spring Cloud 2026.x，构建高并发电商分布式系统
Component@Slf4j@Autowired// 白名单路径@Override// 白名单放行// 提取Token// 传递用户信息到下游服务.mutate().build();@Override// 最高优先级if (bearer!@Component技术点Boot 3 时代Boot 4 时代提升线程模型平台线程池（200线程上限）虚拟线程（百万级并发）50x+服务通信。
少儿机器人编程具有优势
少儿机器人编程具有优势?孩子的学习可以说是一直都是让家长们非常关心和重视的一件事，很多的家长在培养孩子的学习方面，也可以说是非常的认真的。就拿现在很多的家长想要孩子去学习少儿编程的课来说，有的家长对于少儿编程的优势并不是很清楚，今天我们就一起来了解一下少儿机器人编程具有优势? 塑造孩子编程思维 对于孩子接受机器人编程教育,最重要的事情是塑造孩子的“编程思维”,而不是精通某一种特定的编程语言。从很多方面来说,不论从哪种编程语言开始学习真的不是最重要。孩子通过学习一种编程语言而塑造出编程思维,拥
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
学机器人编程需要什么知识
家长们在培养孩子的学习方面可以说相当的耐心的，会给孩子选择一些能够有利于孩子成长的课程。就目前很多的家长想要孩子去学习机器人编程的课程来说，有的家长对于学机器人编程需要什么知识并不是很清楚，今天我们就一起来了解一下学机器人编程需要什么知识?孩子学习机器人编程对于孩子来说学习的好处其实是非常的多的。但是家长们需要注意的是一定要给孩子选择正规靠谱的机构，这样孩子的学习各方面才能有一个好的效果。在机器人编程学习课程中，编程和搭建是相辅相成的两个部分，缺一不可，学习重点就是机器人和程序的协调性。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
为何机器人仿真如此复杂？可否简化节省宝贵时间？
如今的机器人仿真软件已经异常强大了。 从火星车到飞行器、自动驾驶等，无所不能。 大部分软件开源且免费，极大方便了机器人工程师快速开发原型。 如果需要创建机器人仿真，需要添加所需要的一切，这包括机器人模型、传感器、执行器、环境对象等，显得相当复杂。 应该有多复杂？ 是否需要添加设置的每个细节？ 如何判定仿真过于复杂而有些细节毫无意义呢？ 仿真变得过于复杂的迹象是什么？ 仿真是测试机器人应用的好方法，甚至在测试物理机器人之前进行。它们允许以安全的方式快速尝试新的想法、策略和硬..
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
让机器人更安全——（2.协作机器人的兴起）
本文将尝试解答以下问题： 为什么需要协作机器人 协作机器人的起源 协作机器人与传统机器人有什么区别 为什么需要协作机器人？ 协作机器人的兴起意味着传统机器人必然有某种程度的不足，或者无法适应新的市场需求。 总结一下，主要有三点： 传统机器人部署成本高 其实
机器人编程考级有必要吗？家长关心的问题都在这
例如，部分测评体系由专业行业协会牵头制定标准，覆盖从幼儿到高中的全学段学习内容，包含图形化编程、Python、C++、机器人编程等多个科目。在选择编程能力测评体系时，建议优先考虑标准明确、梯度合理、与学习阶段相匹配的体系。在选择适合的测评体系时，建议关注以下几个维度：主办机构的专业资质、测评标准的科学性与清晰度、体系的完整性与连续性、考试形式的便利性以及配套学习资源的丰富程度。需要明确的是，参加编程能力测评的主要价值在于以测促学，帮助建立系统化知识体系，应避免单纯追求证书的功利化倾向。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
602
扫一扫
