diff --git a/faq/1.机器学习实战-复习版.md b/docs/faq/1.机器学习实战-复习版.md
similarity index 95%
rename from faq/1.机器学习实战-复习版.md
rename to docs/faq/1.机器学习实战-复习版.md
index 5e08335d..b017e79c 100644
--- a/faq/1.机器学习实战-复习版.md
+++ b/docs/faq/1.机器学习实战-复习版.md
@@ -30,7 +30,7 @@
 
 如下图: 用于评估模型的效果。（测试样本的预测类别 和 测试样本的实际类别 的diff，就是我们的错误率）
 
-![机器学习训练过程图](http://data.apachecn.org/img/AiLearning/ml/1.MLFoundation/机器学习基础训练过程.jpg)
+![机器学习训练过程图](../ml/img/机器学习基础训练过程.jpg)
 
 > 5.监督学习和无监督学习的区别: 是否有目标变量（也就是: 是否存在分类结果）
 
diff --git a/docs/faq/img/faq_1.png b/docs/faq/img/faq_1.png
new file mode 100644
index 00000000..89a755a6
Binary files /dev/null and b/docs/faq/img/faq_1.png differ
diff --git a/faq/直播问题汇总.md b/docs/faq/直播问题汇总.md
similarity index 97%
rename from faq/直播问题汇总.md
rename to docs/faq/直播问题汇总.md
index 0879a065..38355ecb 100644
--- a/faq/直播问题汇总.md
+++ b/docs/faq/直播问题汇总.md
@@ -42,7 +42,7 @@
  1. 谷德 2017-11-21 20:39:38
     问: 求距离还有其他的算法吗？
 
-    答: k 近邻模型的特征空间一般是 n 维实数向量空间 ![向量空间](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_3.png) ，使用的距离是欧式距离。当然，我们还可以选择其他距离，比如更加一般的 ![Lp距离](http://data.apachecn.org/img/AiLearning/ml/2.KNN/knn_4.png) 距离（Lp distance），或者 Minkowski 距离（Minkowski distance），曼哈顿距离（Manhattan Distance），切比雪夫距离（Chebyshev Distance）。
+    答: k 近邻模型的特征空间一般是 n 维实数向量空间 ![向量空间](../ml/img/knn_3.png) ，使用的距离是欧式距离。当然，我们还可以选择其他距离，比如更加一般的 ![Lp距离](../ml/img/knn_4.png) 距离（Lp distance），或者 Minkowski 距离（Minkowski distance），曼哈顿距离（Manhattan Distance），切比雪夫距离（Chebyshev Distance）。
 
     更多参见链接: http://liyonghui160com.iteye.com/blog/2084557
 
@@ -51,7 +51,7 @@
 
     答: 如果大佬你说的是下面这种: 
     
-    ![距离计算](http://data.apachecn.org/img/AiLearning/ml/faq/faq_1.png)
+    ![距离计算](../ml/img/faq_1.png)
 
     那么求电影距离的 x 是对应的电影中的 打斗镜头数 ，而 y 对应的是接吻镜头数，都是指的数据的特征，可能这里写的不清楚，你可以把这里的 y 当成 x2 属性，而把之前的 x 当成 x1 属性，这样就容易理解多了。都是特征，只不过是对应的不同的特征。注意，这里的 y 代表的不是相应的分类。