FXってなに

抵抗とサポートを予測する方法

抵抗とサポートを予測する方法
鎮痛・鎮静・筋弛緩薬 はこちら

抵抗とサポートを予測する方法

これらの選択肢は各実装で設定され、 SecureRandom APIによって直接管理されません。 DRBGプロバイダのマニュアルを参照して、状況に適した実装を見つけてください。

  • 必要なセキュリティ強度、
  • 予測抵抗が必要な場合、
  • パーソナライズ文字列と追加入力。

DRBGインスタンスは、 DrbgParameters.Instantiation オブジェクトのパラメータおよびその他の情報(たとえば、このAPIによって管理されていないnonce)抵抗とサポートを予測する方法 を使用してインスタンス化できます。 これは、NIST SP 800-90Ar1で定義された Instantiate_function にマップされます。

DRBGインスタンスは、 DrbgParameters.Reseed オブジェクトのパラメータで再シードできます。 これは、NIST SP 800-90Ar1で定義された Reseed_function にマップされます。 SecureRandom.reseed() を呼び出すことは、追加入力なしで有効なインスタンス化された予測抵抗フラグ( SecureRandom.getParameters() によって返される)を指定して SecureRandom.reseed(SecureRandomParameters) を呼び出すことと同じです。

DRBGインスタンスは、 DrbgParameters.NextBytes オブジェクトの追加パラメータを使用してデータを生成します。 これは、NIST SP 800-90Ar1で定義された Generate_function にマップされます。 SecureRandom.nextBytes(byte[]) を呼び出すことは、追加入力なしで有効なインスタンス化された強度と予測抵抗フラグ( SecureRandom.getParameters() によって返される)を指定して SecureRandom.nextBytes(byte[], SecureRandomParameters) を呼び出すことと同じです。

DRBGは SecureRandomSpi のサブクラスとして実装する必要があります。 実装には、 DrbgParameters.Instantiation 引数をとる1-arg constructorが含まれることをお勧めします。 このように実装された場合、この実装は任意の SecureRandom.getInstance() 抵抗とサポートを予測する方法 メソッドで選択できます。 SecureRandom.getInstance() で SecureRandomParameters パラメータを指定すると、このコンストラクタにパラメータが渡されます。 SecureRandomParameters パラメータなしで SecureRandom.getInstance() によって選択された場合、コンストラクタは null 引数で呼び出され、実装では独自のパラメータを選択する必要があります。 その SecureRandom.getParameters() は、DRBGが実際にどのようにインスタンス化されるかを反映する有効でない有効な DrbgParameters.Instantiation オブジェクトを常に戻す必要があります。 呼び出し元は、この情報を使用して、 SecureRandom オブジェクトがDRBGであるかどうか、およびそのオブジェクトがサポートする機能を判断できます。 戻り値は、必ずしも SecureRandom.getInstance() 呼び出しに渡される DrbgParameters.抵抗とサポートを予測する方法 抵抗とサポートを予測する方法 Instantiation オブジェクトと同じではありません。 たとえば、リクエストされた機能は DrbgParameters.Capability.NONE でもかまいませんが、実装が再シードをサポートしている場合、実効値は 抵抗とサポートを予測する方法 DrbgParameters.Capability.RESEED_ONLY になります。 実装では、 DrbgParameters.NextBytes パラメータをとる SecureRandomSpi.engineNextBytes(byte[], SecureRandomParameters) メソッドを実装する必要があります。 SecureRandom.getParameters() の結果にそのcapabilityが NONE の場合は、 DrbgParameters.Reseed パラメータをとる SecureRandomSpi.engineReseed(SecureRandomParameters) を実装する必要があります。

一方、DRBG実装に DrbgParameters.Instantiation 引数(抵抗とサポートを予測する方法 推奨されていません)を持つコンストラクタが含まれていない場合は、 SecureRandomParameters パラメータなしで SecureRandom.getInstance() によってのみ選択できますが、 SecureRandomParameters パラメータで getInstance メソッドが呼び出された場合は選択されません。 このように実装された場合、 SecureRandom.getParameters() は null を返し、 SecureRandomSpi.engineNextBytes(byte[], SecureRandomParameters) または SecureRandomSpi.engineReseed(SecureRandomParameters) のいずれかを実装する必要はありません。

実装要件: 慣例により、プロバイダは1次DRBG実装を「標準 SecureRandom アルゴリズム名」 "DRBG"で名前を付ける必要があります。 実装上の注意: 以下の注意事項は、JDKリファレンス実装のSUNプロバイダの"DRBG"抵抗とサポートを予測する方法 実装に適用されます。

メカニズム名とDRBGアルゴリズム名は、「セキュリティ・プロパティ」 securerandom.drbg.config によって決定されます。 デフォルトの選択はSHA-256のHash_DRBGです。

DRBGが DrbgParameters.Instantiation オブジェクトで明示的にインスタンス化されていない場合、この実装は128ビットのデフォルト・リクエスト強度、予測抵抗リクエストなし、およびパーソナライズ文字列なしでインスタンス化します。 これらのデフォルトのインスタンス化パラメータは、 securerandom.drbg.config セキュリティ・プロパティでカスタマイズすることもできます。

この実装は、セキュリティ・プロパティ 抵抗とサポートを予測する方法 securerandom.source によって決定されるシステムのデフォルト・エントロピ・ソースから新鮮なエントロピを読み込みます。

チェンジマネジメントのフレームワーク7つ

レヴィンの変革管理モデル

レヴィンのチェンジマネジメントモデル(オンラインで変更するには画像をクリック)

ADKAR モデル

  • 認知 (Awareness) : 変革が必要なことの認識
  • 欲求 (Desire) : 変革に参加し、変革を支えたいという欲求
  • 知識 (Knowledge) : 変革方法に関する知識
  • 能力 (Ability) : 変革を実践する能力
  • 強化 (Reinforcement) : 変化を持続させるための強化

ADKAR 変革モデルテンプレート

ADKAR 変革モデル(オンラインで変更するには画像をクリック)

コッターの8段階の変革モデル

  1. 危機意識を高める
  2. 強力な連帯を築く
  3. 戦略的ビジョンを策定する
  4. 全員の支持を得る
  5. 障壁を取り除いて行動を可能にする
  6. 短期的な成功を生み出す
  7. 加速を持続する
  8. 変化を定着させる

8段階のモデル

コッターの8段階の変革モデル(オンラインで変更するには画像をクリック)

キューブラー=ロスの変化曲線

キューブラー=ロスの変化曲線テンプレート

キューブラー=ロスの変化曲線(オンラインで変更するには画像をクリック)

マッキンゼー 7S モデル

マッキンゼー 7S モデルのテンプレート

マッキンゼー 7S モデル(オンラインで変更するには画像をクリック)

PDCA 抵抗とサポートを予測する方法 モデル

デミングホイール、コントロールサイクルとも呼ばれる PDCA モデルは、1950年代にウィリアム・デミングが開発したものです。PDCA モデルとは、計画 (Plan) - 実行 (Do) - Check (評価) - Act (改善) 抵抗とサポートを予測する方法 の頭文字をとったもので、継続的な変化や改善のための循環的で反復的なプロセスを指します。

PDCA サイクルテンプレート

計画、実行、評価、改善の例(オンラインで変更するには画像をクリック)

ブリッジズの移行モデル

  1. 終焉、喪失、手放すこと : 一見矛盾しているように見えますが、移行モデルの最初のステップは終わりから始まります。これは一般的に、従業員にとって最も感情的な段階となります。従業員の気持ちを認識し、理解できないと、変化への抵抗が生まれる可能性があるため、変革の目的やメリットを明確に伝えることが重要です。
  2. 移行期間 : この段階では、従業員は変化に適応し、新しいプロセスに慣れていきます。混乱や不満の発生を避けるため、問題が発生したときには迅速かつ明確にコミュニケーションをとるようにします。
  3. 新たな始まり : 移行の最後の段階が受容となります。従業員は方向性を感じ取り、変革が必要な理由を理解しています。変革の成功を強調し、従業員の取り組みの具体的な成果を示すようにします。

ブリッジズの移行モデル

ブリッジズの移行モデル(オンラインで変更するには画像をクリック)

変化に備えて

著者について

株式会社 Lucid Softwareのロゴ

Lucidchart で今すぐ作図を初めましょう。無料で使えます!

process improvement methodologies

Lucidchart について

Lucidchart は、チームが複雑な内容を理解し、共通の認識を得て、スピーディに未来を作り出すうえで役立つインテリジェントな作図アプリケーションです。直感的なクラウドベースのソリューションで、フローチャート、モックアップ、UML 図などを作成しながら、視覚的に作業を進め、全員でリアルタイムでのコラボレーションが実現できます。

Visio に代わるオンラインソフトウェアとして最も人気が高い Lucidchart は、180か国以上で数百万人のユーザーに活用されています。成約を目指す企業をマッピングする営業部門のマネージャーからネットワークインフラを視覚化する IT 部門のディレクターに至るまで、その用途は多彩です。

呼吸器モード「ASV」をうまく使う方法!自動運転の換気モード

人工呼吸器 はこちら

ETCO2 はこちら

SpO2 はこちら

鎮痛・鎮静・筋弛緩薬 はこちら

血ガス はこちら

肺の病気 はこちら

低酸素症と低酸素血症の違い はこちら

その他の記事 はこちら(HP)

サポート/抵抗レベルでSMAを使用した効果的な戦略

サポート抵抗レベルを備えたSMAクロスオーバー

チャートの作成方法 Olymp Trade SMAおよびサポート/レジスタンスレベルと取引するためのプラットフォーム

単純移動平均は、トレンドを追跡する指標です。 の平均価格を計算した結果として開発中です 金融商品 指定された時間枠内。 平均価格は以前の価格に基づいて計算されるため、SMAには遅れがあります。そのため、この指標を使用してトレンドの方向を予測することはできません。

ログインしたら Olymp Trade アカウントを作成し、商品とチャートタイプを選択すると、インジケーターを設定できます。 インジケーター機能をクリックし、SMAを検索して選択する必要があります。

SMAをチャートに追加する方法

移動平均パラメータを含む新しい小さなウィンドウが表示されます。 ペンアイコンを押すと、期間を変更できます。 必要に応じて、線の色と幅を変更することもできます。

SMA期間、線幅、色の変更

すでにSMAが設定されているため、サポート/抵抗線のみが残ります。 クリックしてください インジケータ 最初の機能。 「描画」が見つかるまで下にスクロールします。 線を引く場所にはXNUMXつの選択肢があります。 水平線または傾向線のいずれかを使用します。 主な違いは、最初のXNUMXつは無限であり、もうXNUMXつは目的の長さに制限されていることです。

水平線またはトレンド線を使用してSR線を描画できます

SMA10とSMA30が伝えていること

チャートでは、SMA10とSMA30が時々交差していることがわかります。 この例では、SMA10はオレンジで、SMA30は青です。 最初のものがSMA30の下に移動してからそれをカットし、上に移動し始めた場合、それらの間のスペースがさらに拡大すると、上昇トレンドが形成されることを意味します。

この知識は明らかに、貿易参入の最良の瞬間を特定するのに十分ではありません。 これが、サポートレベルとレジスタンスレベルと一緒にSMA10とSMA30を使用する必要がある理由です。 両方の指標が支持または抵抗をカットし、その間のスペースが増加する場合にのみ、トレードに参加できます。 さらに議論しましょう。

サポート/レジスタンスと組み合わせてSMA10およびSMA30と取引する方法

私たちが話している戦略は、より大きな間隔で取引するときにうまく機能します。 したがって、1分のローソク足を使用しないでください。 代わりに5分のキャンドルを使用してください。 その後、30分またはそれ以上続くポジションを開くことができます。

ショートポジションを入力するタイミング

以下の模範的なチャートを見てください。 価格がサポートレベルを引き下げ、低下します。 SMA10はそれまでSMA30の上に移動していましたが、現在はSMA30を越えて下に移動しています。 さらに、ライン間のギャップが拡大しています。 これは売りポジションに入る良い機会です。 30分以上続くことがあります。

少なくとも30分のトレードでシグナルを売る

いつロングポジションに入るか

トレンドが上昇し、最終的に価格がレジスタンスレベルを突破します。 SMA10はSMA30を越え、その上を動き始めます。 行間のスペースが広くなっています。 今こそ、30分以上の期間、買いポジションを開くときです。

少なくとも30分の取引でシグナルを購入する

SMA10とSMA30を使用して、開発トレンドの方向を簡単に予測できます。 あなたがする必要があるのは、それらが交差するとき、そしてその間の領域が広がるかどうかを見るだけです。 サポートラインとレジスタンスラインと組み合わせると、今後のトレンドとトレードエントリポイントを明確に把握できます。

あなたが今得た知識を使用して、あなたに急いでください Olymp Trade アカウント。 最初にデモアカウントで新しい戦略を試すことを常にお勧めします。 コツをつかんだら、実際のアカウントに移動します。 私たちとあなたの考えを共有することを忘れないでください。

テストの実行 - CNTK を使用したニューラル回帰

回帰問題の目標は、予測する値が 1つの数値になるという条件で予測を行うことです。たとえば、する場合があります。

重み、年齢、性別に基づくユーザーの高さを予測するとしてください。回帰問題に取り組むに使用できる多くの方法があります。この記事で CNTK ライブラリを使用してニューラル ネットワーク回帰モデルを作成する方法について説明します。

今回の主旨を理解するには、図 抵抗とサポートを予測する方法 1 のデモ プログラムを見るのが一番です。デモ プログラムは、よく知られた Yacht Hydrodynamics データ セット ベンチマークの回帰モデルを作成します。目標は、6 つの予測変数に基づく、yacht ハルの抵抗のメジャーを予測する: ハル、prismatic 係数、長さ転置比、ビーム私の比率、長さビーム比率と Froude 番号浮力の中心です。

図 1 を CNTK ニューラル ネットワークを使用した回帰

デモ プログラムは、それぞれが 5 つの処理ノードを持つ 2 つの隠れ層でニューラル ネットワークを作成します。トレーニング、モデルがデータ項目のうち 2 つの予測を行うを使用します。最初の項目には、予測値 (0.52 0.79、0.55、0.41、0.65 0.00) があります。予測包抵抗 0.0078、実際の抵抗 0.0030 です。2 番目の項目には、予測値 (1.00 1.00、0.55、0.56、0.46 1.00) があります。予測包抵抗 0.8125、実際の抵抗 0.8250 です。モデルは、きわめて正確に表示されます。

この記事では、中間または効率的プログラミングのスキルを持っていても CNTK またはニューラル ネットワークについて詳しく理解すると想定しないと仮定します。デモが Python、機械学習の既定の言語でコード化されたが、Python を理解していない場合でもを進めるために無理なくできる必要があります。ここには、デモ プログラムのソース コードをすべて掲載しています。デモ プログラムによって使用される yacht 包データ ファイルはありますbit.ly/2Ibsm5D、し、この記事に付属するダウンロードに提供されています。

データについて

機械学習モデルを作成するときにデータの準備がほとんどの場合、プロジェクトの最も時間のかかる部分になります。生のデータ セットには 308 項目があり、次のように。

ファイルは、スペースで区切られたです。最初の 6 つの値は、予測値 (機械学習の用語では機能と呼ばれる多くの場合) です。各行の最後の値は「residuary 抵抗変位の重みを単位あたり」

1 つ以上の予測変数があるために、グラフに完全なデータ セットを表示することはできません。確認するにはグラフには、大まかな目安とデータの構造を取得できますが、図 2です。グラフには、prismatic 係数の予測値だけと包抵抗力がプロットされます。ある prismatic 係数の値自体が得られない包抵抗の正確な予測を行うために必要な情報を表示できます。

図 2 部分 Yacht 包データ

ニューラル ネットワークを使用する場合は、良い予測モデルを作成するために、データの正規化に通常必要があります。6 つの予測値およびハルの耐性を確保する値には、最小-最大正規化を使用します。Excel スプレッドシートに生データをドロップしましたし、各列の最大と最小値を計算します。列ごとには置換ですべての値 v (v - min)/(最大 - 最小値)。たとえば、prismatic 係数の最小値が 0.53、最大の値は 0.60 です。列の最初の値は 0.568 されが基準に正規化 (0.568 - 0.53)/(0.60 - 0.53) = 0.038/0.07 = 0.5429 です。

タグを挿入した後、正規化、| 予測子と | CNTK データ リーダー オブジェクトによって、データを簡単に読み取ることができますので、Excel スプレッドシートの耐性を確保します。[タブ区切りファイルとしてデータをエクスポートします。結果のデータは、ようになります。

デモ プログラム

スペースを節約するために少し編集した完全なデモ プログラムを図 3 抵抗とサポートを予測する方法 に示します。通常のエラー チェックはすべて削除しています。一般にはスペース 4 文字でインデントしますが、個人的な好みとコラムの領域節約のため、デモでは 2 文字でインデントしています。なお、' \' 文字は行の連結の Python を使用します。

CNTK のインストールは、少し厄介かもしれません。まず、Python のために必要な python を含む、NumPy、SciPy 抵抗とサポートを予測する方法 などの必要なパッケージと pip などの便利なユーティリティ Anaconda ディストリビューションをインストールします。Anaconda3 を使用して、Python 3.5 4.1.1 64 ビット。Anaconda をインストールすると、インストールする CNTK をスタンドアロン システムではなく、Python パッケージとして pip ユーティリティを使用します。一般的なシェルから、以下のコマンドを使用します。

Hydro_reg.py 抵抗とサポートを予測する方法 デモでは、1 つのヘルパー関数、create_reader があります。CNTK 回帰の問題の定型句として create_reader を検討することができます。データ ファイル内のタグ名は、ほとんどのシナリオで変更する必要がありますだけです。

すべての制御ロジックを、1 つの main 関数に収めています。コードを開始します。

CNTK は若い、継続的な開発は、下にあることをお勧めバージョンを表示するために使用される (ここでは 2.4) であることです。入力ノード数は、データ セットの構造によって決まります。回帰問題では、出力ノード数は常に 1 に設定します。非表示層の数と各隠れ層内の処理ノードの数は、無料のパラメーター、試行錯誤で決定する必要があります。

デモ プログラムは、トレーニング用 308 のすべての項目を使用します。別の方法が、データ セットをトレーニング セット (通常は、データの 80%) とテスト セット (残りの 20%) に分割します。トレーニング後、メトリックが、トレーニング データと同様であることを確認するテスト データ セットに対してモデルのメトリックの損失と精度を計算できます。

ニューラル ネットワーク モデルを作成します。

デモは、予測および true 包耐性を確保する値を保持するためには、CNTK オブジェクトを設定します。

CNTK は、64 ビットの有効桁数が必要になることはほとんどありませんので、既定で 32 ビット値を使用します。CNTK 抵抗とサポートを予測する方法 経験がない場合は少し紛らわしい input_variable 関数の名前は使用できます。ここでは、"input_"は、戻り値のオブジェクトが、入力データ (つまり入力と、ニューラル ネットワークの出力の両方に対応) に由来する値を保持することを意味します。

ここではビットがあります。共通パラメーターの値のセットを複数の関数に渡す、Python「に」ステートメントを使用できます。この場合、ニューラル ネットワークの重みと偏りの値は、CNTK 既定値を使用して初期化されます。ニューラル ネットワークは初期の重みと偏り値に機密性の高いため既定以外の値を指定することは、最初の対処方法については、失敗した場合、ニューラル ネットワークのいずれか、極端に一般的な状況です。

ニューラル ネットワークには、次の 2 つの隠れ層があります。として X オブジェクトは、最初の非表示層への入力として機能します。最初の非表示層は機能し、2 つ目の非表示層への入力として2 つ目は、出力層への入力としてレイヤーの機能を非表示します。

2 つの隠れ層は、tanh (双曲線逆正接) 抵抗とサポートを予測する方法 ライセンス認証を使用します。2 つの主な方法は、ロジスティック シグモイドおよび修正線形単位 (ReLU) アクティブ化します。出力層は、"None"アクティブ化は、出力ノードの値は意味が変更されないを使用します。これは、回帰問題に使用するデザイン パターンです。ライセンス認証を使用するいないと呼ぶことが f (x) は、数学的 identity 関数は、識別活性化関数を使用して = x で、影響を与えません。

デモ プログラムは、出力層のという名前のエイリアス「モデル」を作成します。この手法はオプションであり、微妙なビットがありません。ニューラル ネットワークが本質的に複雑な数学関数であるという考え方です。概念的には、出力ノードは、全体として、両方のネットワークとネットワーク/モデルのレイヤーを表します。

モデルのトレーニング

CNTK 機能の中核部分は、ニューラル ネットワーク 抵抗とサポートを予測する方法 モデルをトレーニングする機能です。トレーニングは、これらのステートメントで準備されます。

トレーニング オブジェクトは、重みとエラーを削減する偏りを調整する方法を認識しているために、(エラー) が失われる関数が必要です。CNTK 2.4 が 9 個の損失関数が単純な squared_error ほぼ常に回帰問題に適したです。イテレーションの数は、更新操作の数に対応し、試行錯誤によって決定する必要があります。

トレーナー オブジェクトには、学習器オブジェクトが必要です。アルゴリズムとして、学習器の考えることができます。CNTK には、8 つの学習アルゴリズムがサポートされています。回帰問題で通常基本的な確率的勾配降下法またはより高度な Adam (「アダプティブ モーメンタム推定」) を使用して良い結果を取得します。

バッチ サイズは使って CNTK を重み付けとバイアスの更新を実行する頻度を決定します。デモでは、バッチ サイズを 11 に設定します。したがって、308 項目は 308 にグループ化する/11 = 28 がバッチをランダムに選択します。各バッチが分析され、更新プログラムを実行します。学習率では、重み付けとバイアスの調整の大きさを制御します。バッチ サイズの適切な値を決定するには、イテレーションの最大数と、学習率は多くの場合、最大の課題、ニューラル ネットワークの予測モデルを作成するときにです。

デモ プログラムで定義された呼び出し create_reader 関数は、リーダー オブジェクトを作成します。され、機能の値が、ここでは、値の予測のリーダーを示す、input_map が作成されます。

Rnd_order パラメーターでは、項目は各パスは、失速からトレーニングを回避することが重要で異なる方法で処理されたデータを保証します。INFINITELY_REPEAT 引数では、308 項目データ セットを複数のパス経由でトレーニングを使用します。

Next_minibatch 関数は、データから 抵抗とサポートを予測する方法 11 の項目を取得します。トレーニング関数では、Adam アルゴリズムを使用して、重み付けと二乗誤差計算包抵抗値と実際の抵抗値に基づいて偏りを更新します。現在 11 項目バッチの 2 乗のエラーが表示されますすべて 50,000/10 = 5,000 バッチのため、トレーニングの進行状況を視覚的に監視できます。通常は低下損失/エラー値を表示するには。

モデルを使用します。

モデルのトレーニング後デモ プログラムはいくつかの予測を作成します。最初に、正規化されたデータ 抵抗とサポートを予測する方法 セットから 2 つの任意の項目の予測値は、選択 (アイテムは 99 238) と、配列の配列スタイル マトリックスに配置されます。

予測値は model.eval 関数を使用して予測された値を計算するために使用し、予測値および実際値が表示されます。

予測包耐性を確保する値が、配列の配列の行列には、1 つの値として返されることに注意してください。そのため、値自体は、[0] [0] (0 行、列 0) でです。CNTK の図形を処理するベクターおよびマトリックスは、構文の重要な課題です。CNTK を使用する場合は、多くのオブジェクトを出力および print(something.shape) の線に沿った、図形を表示する時間が短縮されます。

ニューラル ネットワーク回帰モデルを作成するときに、定義済みの正確性メトリックはありません。予測値の意味を定義する必要があります、予測精度を計算する場合は、正しいと見なされるため、対応する実際の値に十分な数を閉じます。通常、割合/縦横比、0.10 などを指定し、実際の値の割合が内にある場合は、正しいとして予測された値を評価します。

動作するためのデモ モデルに正規化されたデータは、予測を行う、新しいモデルを使用する場合は、未知の予測値、その後、トレーニング データに使用された同じ最小-最大値を正規化する必要があります。同様に、予測された包抵抗値、pv は正規化ため、現在価値を計算することで非正規化する必要があります * (max、min) + min です。

「回帰」という用語は、いくつかの異なる意味をを持つことができます。この記事の内容を指しますが、1 つの数値 (抵抗とサポートを予測する方法 包抵抗) を予測する目的であれば問題のシナリオです。古典統計線形回帰手法は、通常それほど正確では、ニューラル ネットワーク回帰より単純です。機械学習手法をロジスティック回帰は、0.0 ~ 1.0 では、確率として解釈され、"male"(p < 0.5) や「女性」(p >0.5) などのカテゴリの値を予測するために使用しはの 1 つの数値を予測します。

Dr.James McCaffrey は、ワシントン州レドモンドの Microsoft Research に勤務しています。これまでに、Internet Explorer、Bing などの複数のマイクロソフト製品にも携わってきました。Dr.McCaffrey の連絡先は [email protected] (英語のみ) です。

関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる