更新文档数据

docs/1.机器学习基础.md

@@ -14,7 +14,7 @@
 机器学习（machine learning）: 机器学习是最基础的（当下初创公司和研究实验室的热点领域之一）。
     在90年代初，人们开始意识到一种可以更有效地构建模式识别算法的方法，那就是用数据（可以通过廉价劳动力采集获得）去替换专家（具有很多图像方面知识的人）。
     “机器学习”强调的是，在给计算机程序（或者机器）输入一些数据后，它必须做一些事情，那就是学习这些数据，而这个学习的步骤是明确的。
-    机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。
+    机器学习（Machine Learning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的学科。
 深度学习（deep learning）: 深度学习是非常崭新和有影响力的前沿领域，我们甚至不会去思考-后深度学习时代。
     深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
 
@@ -36,18 +36,18 @@ http://baike.baidu.com/link?url=76P-uA4EBrC3G-I__P1tqeO7eoDS709Kp4wYuHxc7GNkz_xn
 ## 机器学习的简单概述
 
 `机器学习`就是把无序的数据转换成有用的信息；机器学习将有助于我们穿越数据雾霾，从中抽取出有用的信息。
-* 1.需要获取海量的数据
-* 2.才能从海量数据中获取有用的信息
+* 1.获取海量的数据
+* 2.从海量数据中获取有用的信息
 
 ## 机器学习的主要任务
 
 > 机器学习的主要任务就是分类和回归
 
 * 分类：将实例数据划分到合适的类别中。
-* 回归：主要用于预测数值型数据。（例子———数据拟合曲线：通过给定数据点的最优拟合曲线）
+* 回归：主要用于预测数值型数据。（示例：数据通过给定数据点来拟合最优曲线）
 * 目标变量
     * 目标变量是机器学习预测算法的测试结果。
-    * 在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。
+    * 在分类算法中目标变量的类型通常是标称型(如：真与假)，而在回归算法中通常是连续型(如：1~100)。
 
 * 机器学习的训练过程
 * ![机器学习训练过程图](/images/1.MLFoundation/机器学习基础训练过程.png)
@@ -57,7 +57,7 @@ http://baike.baidu.com/link?url=76P-uA4EBrC3G-I__P1tqeO7eoDS709Kp4wYuHxc7GNkz_xn
 * 必须知道预测什么，即必须知道目标变量的分类信息。分类和回归属于监督学习。
 * 样本集：训练数据 + 测试数据
     * 训练样本 = 特征(feature) + 目标变量(label)
-    * 训练样本的集合称为训练样本集，训练样本集必须确定知道目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。
+    * 训练样本的集合称为训练样本集，训练样本集必须确定目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。
 * 特征(feature-是否有缺失情况) + 目标变量(分类-离散值<A/B/C、 是/否>/回归-连续值<0~100、 -999～999>)
     * 特征或者属性通常是训练样本集的列，它们是独立测量得到的结果，多个特征联系在一起共同组成一个训练样本。
 * `知识表示`：(例如-机器已经学会如何识别鸟类的过程)
@@ -76,7 +76,7 @@ http://baike.baidu.com/link?url=76P-uA4EBrC3G-I__P1tqeO7eoDS709Kp4wYuHxc7GNkz_xn
 
 ![算法汇总](/images/1.MLFoundation/ml_algorithm.jpg)
 
-## 学习机器学习的原因
+## 学习机器学习
 
 * 选择算法需要考虑的两个问题
     * 使用机器学习算法的目的

docs/5.Logistic回归.md

@@ -24,8 +24,8 @@
 > Sigmoid函数简介
 
 ```
-    我们想要的函数应该是，能接受所有的输入然后预测出类别。例如，在两个类的情况下，上述函数输出 0 和 1 。这类函数称为海维塞得阶跃函数，或者直接称之为 单位阶跃函数。
-    但是，海维塞得阶跃函数的问题在于：该函数在跳跃点上从 0 瞬间跳跃到 1，这个瞬间跳跃过程有时候很难处理。幸好，另外的一个函数也有这样的性质(这里的性质指的是可以输出0和1的性质),
+    我们想要的函数应该是，能接受所有的输入然后预测出类别。例如，在两个类的情况下，上述函数输出 0 和 1 。这类函数称为海维塞德阶跃函数，或者直接称之为 单位阶跃函数。
+    但是，海维塞德阶跃函数的问题在于：该函数在跳跃点上从 0 瞬间跳跃到 1，这个瞬间跳跃过程有时候很难处理。幸好，另外的一个函数也有这样的性质(这里的性质指的是可以输出0和1的性质),
     且数学上更易处理，这就是我们下边要介绍的 Sigmoid 函数。
 
     Sigmoid函数具体的计算公式如下：