Merge pull request #4 from jiangzhonglian/master

更新docs

README.md

@@ -5,28 +5,6 @@
 ## 第一部分  分类
 
 * 1) 机器学习基础
-    * 机器学习是什么
-        * 把无序的数据转换成有用的信息。
-    * 机器学习的意义
-        * 我们利用计算机来彰显数据背后的真实含义。
-    * 监督学习
-        * 样本集：训练数据 + 测试数据
-        * 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>)
-        * `知识表示`：机器已经学会如何识别鸟类的过程
-            * 1.可以采用规则集的形式
-            * 2.可以采用概率分布的形式
-            * 3.可以使训练样本集中的一个实例
-    * 非监督学习
-    * 开发的步骤
-        * 1.收集数据
-        * 2.准备输入数据
-        * 3.分析输入数据
-        * 4.训练算法
-        * 5.测试算法
-        * 6.使用算法
-    * Python相关的库
-        * 科学函数库：SciPy、`NumPy`(底层语言：C和Fortran)
-        * 绘图工具库：`Matplotlib`
 * 2) k-紧邻算法
 * 3) 决策树
 * 4) 基于概率论的分类方法：朴素贝叶斯

docs/README.md

@@ -5,6 +5,28 @@
 ## 第一部分  分类
 
 * 1) 机器学习基础
+    * 机器学习是什么
+        * 把无序的数据转换成有用的信息。
+    * 机器学习的意义
+        * 我们利用计算机来彰显数据背后的真实含义。
+    * 监督学习
+        * 样本集：训练数据 + 测试数据
+        * 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>)
+        * `知识表示`：机器已经学会如何识别鸟类的过程
+            * 1.可以采用规则集的形式
+            * 2.可以采用概率分布的形式
+            * 3.可以使训练样本集中的一个实例
+    * 非监督学习
+    * 开发的步骤
+        * 1.收集数据
+        * 2.准备输入数据
+        * 3.分析输入数据
+        * 4.训练算法
+        * 5.测试算法
+        * 6.使用算法
+    * Python相关的库
+        * 科学函数库：SciPy、`NumPy`(底层语言：C和Fortran)
+        * 绘图工具库：`Matplotlib`
 * 2) k-紧邻算法
 * 3) 决策树
 * 4) 基于概率论的分类方法：朴素贝叶斯
@@ -17,13 +39,13 @@
 * 8) 预测数值型数据：回归
 * 9) 数回归
 
-### 第三部分  无监督学习
+## 第三部分  无监督学习
 
 * 10) 使用K-均值聚类算法对未标注数据分组
 * 11) 使用Apriori算法进行关联分析
 * 12) 使用FP-growth算法来高效发现频繁项集
 
-### 第四部分  其他工具
+## 第四部分  其他工具
 
 * 13) 使用PCA来简化数据
 * 14) 使用SVD简化数据
@@ -36,4 +58,4 @@
 * 附录C 概率论复习
 * 附录D 资源
 * 索引
-* 版权声明
+* 版权声明