 Hai, semua. Saya Alissa. Hari ini, saya akan bercakap tentang bagaimana anda dapat menghentikan AI. Sebab semua orang seperti AI, blockchain, AI, blockchain, AI, blockchain. Jadi, hari ini, ini AI. Jadi, saya bekerja dengan team software-engineering di Microsoft. Dan kita membuat kerja epik dengan anda semua. Maksud saya, kesilapan terbesar saya hari ini bukan memakai t-shirt ini kerana ia benar-benar sempurna untuk event ini, tapi tak mengapa. Terima kasih kerana beritahu saya apa-apa pertanyaan pada bantuan saya. Apabila saya tak bekerja, ini adalah apa yang saya lakukan. Jadi, pertama, mengenai mengenai AI. Mari kita lihat kesilapan. Pemimpin singil dan output singil. Jadi, anda akan tahu apa yang berlaku di setiap bari. Dan ini adalah bagaimana anda mengalakannya. Kemudian, konsep kedua yang anda akan tahu adalah bagaimana berlaku. Dan ia berlaku mengenai fungsi error dengan menghentikan network neural. Jadi, ini adalah formula yang terbesar. Dan kemudian ini adalah formula yang berlaku. Okey, jadi siapa yang mengenai saya? Oh, wow. Saya sangat gembira. Okey, siapa yang tak mengenai saya? Saya tak tahu apa yang saya bercakap tentang. Jadi jangan risau. Jadi, saya rasa sebagai pemeriksaan, saya bukan matematik. Jadi, apabila saya pergi ke pembentangan online, ia selalu berkumpul dengan symbol yang sangat sulit. Dan saya tidak tahu apa yang berlaku. Jadi, saya akan berkongsi perjalanan saya bagaimana saya bermula dengan mempunyai belajar masin. Jadi perjalanan berlaku sedikit lebih seperti ini, saya rasa. Ya, saya tidak sangat lembut. Saya sedikit teruk di sini dan di sana. Tapi, jangan berhenti, anda akan dapat di sana. Okey, jadi, perkara pertama yang anda perlu tahu adalah mengenai AI. Jadi, semua orang yang anda tahu selalu bercakap tentang bari ini. Tetapi, apa yang sebenarnya berlaku? Ia adalah menggunakan masin untuk mengubah masak... ...yang membuat orang mempersiapkan cuitan. Okey, jadi sebenarnya, AI sudah berjaya selama beberapa tahun. Pada masa kemudian Eliza telah dilaporkan, ia seperti ini. Itulah perkara pertama yang terkenal di tahun 1992. Hal ini saya mengenai cerita peluang yang telah mulai dengan awal sebelah tahun 1994. Jadi, kenapa ia menjadi sebuah perkara besar sekarang? Dan sebabnya, ia disebabkan ke-3 ini. Jadi, pertama, kita mendapatkan banyak data historikal sekarang. Kemudian, cloud ini memperbaiki banyak kemampuan komputer. Jadi, anda dapat menggunakan GPU-VM di cloud yang cukup kuat untuk menggunakan algoritm meskipun. Kemudian, ke-3 adalah bahawa pesakit penerbangan membuat penerbangan besar di algoritm meskipun. Sebab itulah, AI menjadi bekerja sebuah topik popular sekarang. Baiklah, beritahu penerbangan kita. Tak mengapa, anda tak perlu risau atau terlalu teruk. Jadi, siapa yang fikir AI adalah bekerja meskipun? Siapa? Siapa yang fikir AI adalah bekerja meskipun? Baiklah, ia memang benar. Tapi sebenarnya, AI dan bekerja meskipun adalah konsep yang berbeza. Jadi, AI, saya menyebabkan kebebasan sebelumnya. Ia adalah sebuah perkara yang panjang untuk bekerja meskipun. Ia sangat besar. Bekerja meskipun adalah implementasi AI. Bekerja meskipun adalah apabila anda mengambil data historikal dan menggunakan itu untuk membuat pendapatan. Sebenarnya, saya rasa ini adalah kemungkinan yang paling efektif untuk implementasi AI. Kemudian, kemudian, kita mempunyai bekerja meskipun. Bekerja meskipun adalah sebuah network neural. Ini adalah implementasi meskipun. Jadi, anda dapat melihat keadaan ini di antara mereka. Tapi penting untuk mengahwini konsep ini. Sebenarnya, ada banyak cara yang anda dapat mengingatkan AI. Saya tidak tahu tentang yang terakhir. Tapi, sebenarnya, siapa yang mempunyai bahagian AFL? Seperti sebuah bahagian AFL di network neural dapat dipercaya sebagai AI. Ya, sebenarnya betul. Jadi, bahagian network neural yang menggunakan banyak bahagian 10,000 bahagian AFL adalah cuba memikirkan kemungkinan manusiaan manusia. Sebenarnya, sebenarnya, ia masih berlalu dalam bahagian AI. Jadi, ya, mungkin tidak seperti yang anda fikirkan. Jadi, pertama, faham apa yang mengenai bekerja meskipun. Dan ini adalah yang saya akan mengenai. Bekerja meskipun dapat menjawab soalan yang penting. Pertama, kelasifikasi. Jadi, itu adalah menggantikan perkara. Jadi, jika saya meletakkan labrador di depan anda, meskipun mempunyai sebuah bahagian yang penting. Jadi, itu adalah kelasifikasi. Kemudian, kelasifikasi anormasi. Ini adalah mengambil alih daripada kelasikasi kredit. Dan berkata, okey, ini kelasikasi anormasi? Biasa dengan semua kelasikasi lain yang normal. Pertama, kelasikasi. Ini biasanya bergantikan dengan berlumat. Jadi, mungkin, apa kelasikasi pada hari ini? Pada tahun seterusnya? Sebaiknya, calib communauté addicted. JIDить seronoknya.ぉ ialah, penghari-penghirchanat. Maklukan untuk faham kami. Orang semaklum bagaimanapun, okey, memilih kelasomme, trave-don periuk yang sangat luang dengan alih daripada yang fretta. tetapi saya bermakna, mereka semua berada di deskai, jadi tak kisah. Okey, boleh seseorang beritahu saya apa kind of apa kind of teknik ML, teknik ML digunakan jika anda ingin menunggu pilihan Bitcoin esok dari semua ini? Ada sesiapa? Ya, ya, okey, saya rasa saya dengar begitulah, itu betul. Okey, jadi jika anda ingin menunggu adalah sesuatu yang teruk atau tidak. Apa, apa kind of teknik ini? Ya, kasifikan, betul. Nampak tak terlalu susah, kan? Okey, sebenarnya lebih teruk daripada itu, tapi tak kisah. Okey, jadi proses mesin belajar, anda mulakan dengan data raw, dan kemudian anda menggunakan prosesi prosesi untuk membuat anda memperkalkan data anda. Jika anda memperkalkan perangkatan di dalam, anda perlu memasukannya atau memperkalkan dengan sesuatu yang lain. Sebenarnya prosesi prosesi data akan mengambil sekitar 80% masa anda mungkin. Itu adalah proses yang sangat berlantik. Dan kemudian, selepas anda memperkalkan data anda, anda boleh menggunakan alasan mesin belajar. Dan kemudian anda menggunakan model perangkatan dan perangkatan. Jadi anda menggunakan dengan alasan, kemudian anda memperkalkan bagaimana efektif alasan anda. Dan jika tidak terlalu bagus, anda perlu mengubah parameter hyper atau mengubah model anda. Dan kemudian, tentu saja anda mengusahannya dan anda menggunakan model anda dengan aplikasi anda. Okey. Jadi mari kita ambil beberapa perangkatan bayi. Ini sebenarnya model setelah perjalanan yang saya bawa diri. Jadi saya bermula menggunakan aplikasi, aplikasi kognitif yang Microsoft memberi, Google memberi, IBM memberi. Itu sebenarnya semua di luar sana. Dan kemudian, menggunakan perangkatan dan perangkatan dengan alasan mesin belajar. Dan saya akan mengambil ini nanti. Dan kemudian, perangkatan ketiga yang saya lalui adalah melakukan perangkatan kegol. Pastikan anda tahu siapa yang mengenai kegol. Jangan risau siapa tahu siapa yang mengenai kegol. Okey. Ini sangat bagus untuk data. Saya akan tunjukkan lagi. Ia akan mengubah hidup anda. Okey. Kemudian kita mempunyai perangkat belajar mesin belajar. Ini adalah sebuah tool untuk membantu anda mengoperasikan model anda. Kemudian kemudian, perangkat kegol yang saya sendiri masih cuba belajar kerana tidak mudah. Tetapi, saya akan memasukkan sedikit. Baiklah. Jadi mari kita mulakan perangkat kognitif. Anda dapat melihat perangkat kegol, perangkat kegol, perangkat kegol, perangkat kegol, perangkat kegol. Ya, itu adalah perangkat kognitif. Dan sebenarnya, tiada apa yang salah dengan menggunakan ini. Sebenarnya, sangat bagus kerana perangkat besar ini mempunyai perangkat kegol data untuk membuat perangkat perangkat kegol yang pertama yang anda boleh melakukannya dan memasukkan pada aplikasi anda. Jadi, anda sudah mencari perangkat kegol dan perangkat data. Dan ia sangat bagus untuk belajar aplikasi dan belajar perangkat kegol dan membuat perangkat kegol. Jadi, ya, ada sorta api dari perangkat kegol, perangkat kegol, perangkat kegol, perangkat kegol. Jadi perangkat kegol adalah beritahu anda apa yang diperlihatkan di dalam peringkat. Ada rekan emosi, ada perangkat kegol, jadi anda dapat mengambil perangkat kegol dan beritahu apakah ia positif atau negatif. Baiklah. Jadi saya akan cepat memasukkan perangkat kegol. Jadi ini adalah jika anda ingin membuat perangkat kegol, perangkat kegol. Baiklah. Jadi anda dapat melihat bahawa saya ada... Boleh semua orang melihat itu? Ya? Baiklah. Baiklah. Saya telah memasukkan model ini pada beberapa perangkat kegol dari perangkat kegol. Jadi, ya, mari kita test. Sebenarnya anda boleh memasukkan dan mengambil perangkat kegol. Itu sangat mudah. Jadi anda boleh memasukkan perangkat kegol. Baiklah. Jadi mari kita test ini. Ini bukan perangkat yang sama. Baiklah. Jadi, anda tahu, kelihatan berkawasan 100% dengan sebuah perangkat kegol yang benar. Jadi mari kita cuba yang lain. Jadi, ya, saya menunjukkan kelihatan berkawasan 100% dengan sebuah produk ini. Jadi, ya, ini adalah cara yang sangat cepat untuk anda memulakan jika anda perlu menggunakan kelasikasi perangkat kegol dalam projek anda. Baiklah. Mula-mula. Jadi, ya, ada banyak perangkat berbeza. Saya hanya perlu pergi dan periksa. Baiklah. Untuk yang ini, saya sebenarnya cuba yang terbaik untuk mencuba perangkat kelihatan berkawasan. Tapi saya sangat minta maaf. Jangan mengambil perangkat kelihatan berkawasan. Saya tidak dapat mencuba perangkat kelihatan. Tapi perangkat kelihatan akan mempunyai lebih banyak perangkat kelihatan. Tapi saya mencuba cara yang sangat baik dengan memulangkan perangkat kelihatan. Biar saya menunjukkan. Jadi, ia sebenarnya sebuah perangkat kelihatan yang boleh digunakan untuk menikmati perangkat kelihatan dan memiliki perangkat kelihatan. Okey, mari kita lihat. Saya akan mengambil perangkat kelihatan se- aceptor otomobil. Jadi kemudian anda dapat mengambil perangkat kelihatan yang anda silicone. Dan anda dapat melihat 어떻게 mengambil perangkat kelihatan di dalam. Hanya semakin mudah seperti itu. Memang, ini untuk menekan jika anda mahu cepat mengenakkan perangkat kelihatan. Kemudian anda dapat mengambil perangkat kelihatan. Jadi mungkin, sebenarnya saya akan, oops, saya akan hanya pergi ke satu yang saya telah membuat. Sudah sedikit lebih cepat. Okey, jadi apa yang saya telah lakukan adalah saya memasukkan kolom selera dalam dataset. Jadi apa yang kita perlu lakukan adalah hanya memasukkan blok ini, menyebabkan, dan kemudian menghubungi tempat ini ke sini. Saya hanya akan melakukannya kerana saya sudah melakukannya di sini. Jadi apa yang saya telah lakukan adalah saya hanya memasukkan kolom yang tidak baik. Dan bagaimana saya membuat ini adalah saya melakukan sumber dataset. Jadi belakang yang lain yang anda boleh menyebabkan dan hanya melihat dengan cepat cerita-cerita data. Jadi kelasan normalis adalah mengembar kerana ada banyak kelebihan yang tidak berlaku. Ada dua kelebihan yang tidak berlaku di sini. Di kolom ini ada empat kelebihan yang tidak berlaku. Jadi anda sebenarnya perlu melakukan sumber ini sebelum anda memutuskan untuk menyebabkan kelebihan dan sebagainya. Okey, jadi ini juga sebahagian dari proses data. Dan kemudian apabila anda telah melakukan itu, anda menyebabkan apa kelebihan yang anda mahu menggunakan untuk menyebabkan. Jadi saya sebenarnya telah menyebabkan kelebihan ini terhadap kelebihan filter yang saya telah lakukan tadi. Jadi saya telah melakukan kelebihan filter di sini. Biar saya tunjukkan dengan cepat. Ya, jadi ini adalah kelebihan terbaik yang anda menyebabkan yang saya menggunakan. Yang paling penting untuk data saya. Jadi saya menggunakan kelebihan itu. Dan kemudian saya meletakkan data. Selepas itu, 75% data berlaku dalam kelebihan. 25% berlaku dalam menyebabkan model. Dan kemudian, akhirnya, saya menyebabkan kelebihan dari model saya. Jadi, ya. Itu sebuah cara yang sangat cepat untuk bermula dengan faham. Dan ada banyak perkara yang anda boleh lakukan dengan pakaian. Saya tidak boleh lakukannya. Baiklah, mari kita jemput ke kelebihan. Mungkin sedikit lebih menyerahkan. Okey, kelebihan adalah sebuah website. Ia adalah sebuah komuniti sebenarnya. Dan orang-orang yang menyebabkan data. Dan mereka mencari dengannya. Dan kemudian mereka menyebabkan eksperimen mereka online. Jadi, mereka mencari eksperimen ini dalam sesuatu yang dipanggil Jopiter Notebooks. Dan anda boleh bahawa anda boleh menyebabkan kelebihan, atau sebuah pembantu dengan seseorang yang lain dan menyebabkan kelebihan dalam kelebihan data. Okey, mari saya segera menunjukkan kelebihan. Kelebihan adalah apabila anda mempunyai konsep sebegini pelajar masin, anda dapat menggunakan kelebihan ini. Jadi, okey, saya sudah mempunyai sesuatu. Okey. Ya, kelebihan ini sebenarnya dibuat oleh Google sekarang. Tetapi ini adalah sebuah pembantu yang hebat. Okey, jadi anda dapat melihat, oh, jika saya pergi ke kelebihan data. Oh, lihat, apa yang terbaik. Ya, anda dapat melihat banyak data yang berbeza yang anda boleh menggunakan. Ia sangat hebat. Anda dapat mencari dengan kelebihan top. Ya. Okey, jadi ini adalah kelebihan data. Mari kita katakan anda mahu menggunakan ini. Semuanya yang anda perlu lakukan adalah menggunakan kelebihan data. Dan anda dapat menggunakan kelebihan CSV di sini untuk menggunakan ini dalam projek anda sendiri. Komputer saya telah dibuat. Dan jika anda mencari kelebihan, ada sebenarnya banyak projek dan eksperimen yang orang telah mengeluarkan. Jadi anda dapat masuk ke kelebihan film. Dan ini sebenarnya sebuah notebook jupiter yang seseorang telah mengeluarkan. Ia beritahu apa teknik yang mereka menggunakan, bagaimana mereka telah membuat dokumentasi, bagaimana mereka telah membuat proses EDA, maaf, eksplorasi data analisis. Jadi ya, anda dapat mengikut ini dan membuat semua ini. Mari kita masuk ke satu yang lebih mudah. Okey, ia disebut ML dari Scratch with Iris. Jadi kita akan membuat notebook ini. Jadi jika anda dapat memulakan dengan kelebihan, ini adalah apa yang anda boleh lakukan sebenarnya. Jadi anda mulakan dengan memulakan notebook. Dan kemudian ia akan memulakan tempat kerja ini untuk anda. Ia hanya memulakan notebook jupiter. Baiklah. Jadi your kernel sekarang bergerak dalam cloud. Dan mari kita katakan anda ingin mengedit sesuatu di sini. Jadi untuk mengeluarkan, anda boleh hanya mengeluarkan di notebook sendiri. Anda boleh memulakan data set. Jadi saya sebenarnya mengeluarkan ini. Dan kemudian anda dapat menunjukkan kedua-dua pilihan dari data set. Jadi biasanya anda dapat mengubah ini. Jadi jika saya mengeluarkan Hello World, kemudian anda dapat mengeluarkan ini juga. Jadi ini adalah cara yang mudah untuk memulakan starter. Dan jika anda ingin mengeluarkan ini di laptop sendiri, tanpa Kegel, anda boleh hanya mengeluarkan ini IAPI NB file. Ini adalah notebook jupiter. Jadi saya sebenarnya mengeluarkan ini di sini. Anda hanya memulakan command prompt dan kemudian anda mengeluarkan notebook jupiter. Dan ini akan sebenarnya mengeluarkan ini di lokali. Ada sesiapa di sini menggunakan notebook jupiter sebelumnya? Baiklah, beberapa anda. Bagus. Sebenarnya ini adalah kawasan yang hebat. Saya suka. Jadi sekarang ia mengeluarkan di lokali. Baiklah, ia mengeluarkan keadaan. Tapi saya bermakna anda boleh mengeluarkan... Hex. Baiklah. Dan kemudian anda hanya mengeluarkan ini dengan cara yang sama, sif tentera dan sebagainya. Tolong mengeluarkan environment virtual. Saya tidak ada masa untuk mengeluarkan environment virtual. Tapi saya hanya akan mencari. Kluarkan satu sebelum anda mengeluarkan bagian-bagian. Baiklah. Kembali kembali ke muka saya. Baiklah. Jadi perkara yang terbaik saya mahu lakukannya adalah... ...masjid masyarakat kerja kerja. Jadi ini sebenarnya sebuah kawasan untuk anda... ...kamu dapat mengeluarkan sosiasi data anda. Dan jika anda tidak mahu mengeluarkan dari kode, anda boleh sebenarnya membuat sosiasi data di sini. Jadi saya mengeluarkan sosiasi data. Dan kemudian jika saya... ...saya mahu mengubah ini... ...untuk... ...masjid masyarakat kerja. Kemudian saya boleh sebenarnya membuat itu. Dan saya akan mengeluarkan. Saya boleh mengeluarkan dan mengeluarkan... ...masjid masyarakat kerja atau... ...masjid masyarakat kerja. Jadi ia akan memberi saya beberapa... ...masyarakat kerja yang saya boleh menggunakan... ...untuk... ...menjelaskan apa yang berlaku. Saya boleh mengeluarkan bahan-bahan... ...dan mengeluarkan dengan sesuatu. Ya, jadi... ...saya boleh juga melihat... ...masjid masyarakat kerja di sini. Atau tentu-tentu mengeluarkan diri sendiri. Sama konsep yang sebelumnya. Dan tentu-tentu anda boleh mengeluarkan... ...masjid masyarakat kerja. Jadi perkara yang baik tentang ini adalah... ...awak boleh membuatkan VM sendiri. Jadi mari kita lihat anda mahu mengeluarkan kode di kode. Anda boleh membuatkan VM sendiri. Mungkin yang berdasarkan GPU. Kemudian anda boleh membuat... ...target. Jadi jika saya mengeluarkan doker python dan mengeluarkan... ...saya akan mengeluarkan dalam VM... ...yang mengeluarkan di kode. Tapi mari kita katakan saya hanya mahu mengeluarkan di kode sekarang. Kemudian saya boleh mengeluarkan... ...dan ia akan mengeluarkan doker. Jadi perkara yang baik tentang ini juga adalah... ...awak boleh melihat kode di sini. Ini sangat berguna apabila anda membuat... ...masjid masyarakat kerja... ...sebab anda perlu mengeluarkan... ...masjid masyarakat di kode. Jadi bagaimanapun... ...kalau saya mengubah sesuatu di 11... ...saya mahu kemungkinan... ...untuk kembali ke 10... ...dan melihat... ...seperti sebab ini lebih baik. Ya. Okey. Bagus. Baiklah. Sudah tentu ini adalah perkara... ...yang semua orang selalu berminat... ...dengan belajar. Jadi saya tidak fikir... ...saya ada cukup masa untuk mengelakkan... ...perperkaraan kecil. Tapi sebenarnya anda ada pakaian kebiasaan... ...pada beberapa pakaian kebiasaan... ...yang anda ada. Kemudian, pakaian kebiasaan yang terdapat... ...saya dapat mengambil mereka. Jadi, di jalan kebiasaan... ...pakaian kebiasaan yang terdapat... ...saya akan memadu... ...pakaian kebiasaan... ...untuk mendapatkan pakaian terbaik... ...dan memadu keadaan. Jika anda adalah penerbangan... ...di pakaian kebiasaan... ...dengan pakaian kebiasaan... ...pakaian kebiasaan atau CNTK di belakang. Pertanyaan yang saya menyebabkan... ...pakaian kebiasaan... ...di pakaian kebiasaan yang terdapat... ...untuk membangunan pakaian negeri... ...dan ia seperti perkara yang lebih mudah... ...untuk memulangkan. Saya tidak memadu... ...pakaian dengan negeri... ...yang dapat memiliki... ...berat untuk memasang dan memasangkan... ...kalaupun pakaian kebiasaan... ...yang ada banyak. Kamu akan lebih kebiasaan... ...dengan pakaian kebiasaan... ...dan ingat, mereka tidak selalu terbaik... ...untuk pakaian kebiasaan. Jadi, saya rasa mereka hebat... ...untuk pakaian kebiasaan... ...dan perkara yang baik tentang negeri adalah... ...mereka memiliki... ...pakaian kebiasaan... ...sehingga anda dapat memasangkan banyak masa... ...dengan pakaian kebiasaan. Yang penting untuk memasangkan... ...pakaian negeri. Untuk memasangkan bagaimana untuk memasangkan... ...saya menyebabkan... ...mereka memasangkan... ...pakaian kebiasaan. Saya menemukan... ...pakaian kebiasaan yang kecil di sini. Jadi, ini adalah bagaimana... ...keras berlaku. Kamu hanya memasangkan... ...pakaian kebiasaan yang kamu mahu. Jadi, ia memiliki... ...pakaian kebiasaan 46... ...sebab di sini... ...ada sebenarnya... ...pakaian kebiasaan yang lain di tengah-tengah... ...dan akhirnya... ...pakaian kebiasaan output. Jadi, saya rasa hanya ada satu node... ...sebab ada satu perkara yang mereka mahu menyebabkan. Kemudian, apa yang kamu lakukan... ...dia hanya memasangkan doktor model... ...di sini. Jadi, ini sangat... ...basikal. Kamu mungkin perlu melakukan banyak... ...tentang memasangkan terbaik... ...yang kamu mahu. Dan kemudian, kamu dapat lihat... ...yang ini adalah epox. Jadi, ya... ...yang kamu mahu menggunakan... ...nurunetwork... ...dan kemudian, kamu dapat mencari mereka. Bagus. Jadi, siapa yang sekarang rasa seperti ini? Ia okey. Ia telah lama... ...dan saya hanya memalukan nurunetwork. Jadi, ya, memahami. Jangan risau. Sejujurnya... ...kamu akan belajar sesuatu dari... ...sebenarnya, satu perkara... ...saya akan gembira. Okey. Jadi, fikiran terakhir. In my opinion, kamu tidak perlu tahu... ...supa complicated math. Statistik pengetahuan... ...semangat berguna... ...tapi kamu tidak perlu memahami... ...supa complex maths... ...untuk memulai AI. Ia tidak magic. Saya tidak tahu jika kamu berdua tahu... ...gabbage in, garbage out rule. Jika kamu memiliki gabbage data... ...kamu akan memiliki output gabbage. Kualiti data kamu... ...sangat penting. Data-prime akan memiliki banyak masa. Jangan risau jika kamu memiliki gabbage. Kamu memiliki banyak masa untuk memiliki... ...gabbage yang lebih baik. Satu cara... ...mempercayakan dengan ia... ...untuk menemukan projek yang kamu... ...masukkan diri. Jadi, saya ingin... ...saya masih cuba menggunakan diri... ...dengan nurunetwork. Ia tidak berjaya. Ia memiliki output... ...sangat penting. Saya rasa saya perlu memiliki itu. Kamu harus menemukan diri. Saya rasa itu cara yang sangat baik. Menemukan seseorang yang berminat dalam perkara yang sama seperti kamu... ...dan kemudian memastikan bahawa kamu berdua... ...masukkan... ...masukkan perjalanan. Dan tentu saja, persediaan adalah penting. Jika kamu tidak memastikan... ...dan tidak melakukan apa-apa... ...masukkan apa-apa yang kamu boleh lakukan. Jadi, saya hanya cuba memulai. Okey, terima kasih banyak untuk mendengar. Terima kasih. Bagus. Terima kasih banyak untuk Alissa.