更新链接的作者信息

docs/11.使用Apriori算法进行关联分析.md

@@ -43,3 +43,9 @@
     * 如下图：
     * ![所有可能的项集组合](/images/11.Apriori/所有可能的项集组合.png)
 * 最后： 每次增加频繁项集的大小，Apriori算法都会重新扫描整个数据集，是否有优化空间呢？ 下一章：FP-growth算法等着你的到来
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/12.使用FP-growth算法来高效发现频繁项集.md

@@ -26,3 +26,9 @@
 ## 项目实战
 * 1.从Twitter文本流中挖掘常用词。
 * 2.从网民页面浏览行为中挖掘常见模式。
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/15.大数据与MapReduce.md

@@ -124,6 +124,6 @@ Pegasos算法工作流程是：
 
 * * *
 
-* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [小瑶](http://www.apache.wiki/display/~chenyao)**
 * [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
 * **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/16.推荐系统.md

@@ -17,7 +17,11 @@
 
 ![基于知识的推荐](/images/16.RecommendedSystem/基于知识的推荐.jpg)
 
-* * * 
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**
 
 > 摘录的原文地址：
 

docs/2.k-近邻算法.md

@@ -133,8 +133,8 @@ $$\sqrt{(0-67)^2 + (20000-32000)^2 + (1.1-0.1)^2 }$$
 * 阅读本章之前建议阅读一下numpy的文档
     * [numpy英文文档](https://docs.scipy.org/doc/numpy-dev/user/quickstart.html "NumPy英文文档")
     * [numpy中文文档](http://old.sebug.net/paper/books/scipydoc/numpy_intro.html "NumPy中文文档")
-* * *
 
+* * *
 
 * **作者：[羊三](http://www.apache.wiki/display/~xuxin) [小瑶](http://www.apache.wiki/display/~chenyao)**
 * [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>

docs/3.决策树.md

@@ -105,6 +105,7 @@
         * 简单来说：就是从一个数据集中随机选取子项，度量其被错误分类到其他分组里的概率。
 * 流程介绍图
 * ![决策树流程介绍图](/images/3.DecisionTree/决策树流程介绍图.jpg)
+
 * * *
 
 * **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [小瑶](http://www.apache.wiki/display/~chenyao)**

docs/4.朴素贝叶斯.md

@@ -131,9 +131,10 @@ p(ci|x,y) = p(x,y|ci)·p(ci)/p(x,y)
 * 总结
     * 这一块代码比较乱，最好先把公式理一理再看
     * 可以参考一下[阮一峰的博客](http://www.ruanyifeng.com/blog/2013/12/naive_bayes_classifier.html)
+
 * * *
 
-* **作者：[羊三](http://www.apache.wiki/display/~xuxin) [小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* **作者：[羊三](http://www.apache.wiki/display/~xuxin) [小瑶](http://www.apache.wiki/display/~chenyao)**
 * [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
 * **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**
 

docs/5.Logistic回归.md

@@ -116,8 +116,9 @@
     * 5.4 代价函数
     * 5.5 简化的成本函数和梯度下降
     * 5.6 高级优化
+
 * * *
 
-* **作者：[羊三](http://www.apache.wiki/display/~xuxin) [小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* **作者：[羊三](http://www.apache.wiki/display/~xuxin) [小瑶](http://www.apache.wiki/display/~chenyao)**
 * [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
 * **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/6.支持向量机.md

@@ -170,3 +170,9 @@ SMO伪代码大致如下：
 * 核函数并不仅仅应用于支持向量机，很多其他的机器学习算法也都用到核函数。最流行的核函数：径向基函数(radial basis function)
 * 径向基函数的高斯版本，其具体的公式为：
 * ![径向基函数的高斯版本](/images/6.SVM/SVM_6_radial-basis-function.jpg)
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [geekidentity](http://www.apache.wiki/display/~houfachao)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/7.利用AdaBoost元算法提高分类.md

@@ -47,3 +47,9 @@
     * 欠抽样(undersampling)或者过抽样(oversampling)
         * 欠抽样: 意味着删除样例
         * 过抽样: 意味着复制样例(重复使用)
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/7.随机森林的使用.md

@@ -30,3 +30,9 @@
 > 随机森林-流程图
 
 ![随机森林-流程图](/images/7.RandomForest/RandomForest_Flow.jpg)
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/8.预测数值型数据：回归.md

@@ -164,6 +164,7 @@
 这时可以考虑使用岭回归，因为当x^Tx的逆不能计算时，它仍保证能求得回归系数。
     岭回归是缩减法的一种，相当于对回归系数的大小施加了限制。另一种很好的缩减法是lasso。Lasso难以理解，但可以使用计算简便的逐步线性回归方法来求得近似结果。
     缩减法还可以看做是对一个模型增加偏差的同时减少方差。偏差方差折中是一个重要的概念，可以帮助我们理解现有模型并做出改进，从而得到最好的模型。
+
 * * *
 
 * **作者：[小瑶](http://www.apache.wiki/users/viewmyprofile.action) [片刻](http://www.apache.wiki/display/~jiangzhonglian)**

docs/9.树回归.md

@@ -156,6 +156,7 @@
 构建完毕再进行剪枝），预剪枝更有效但需要用户定义一些参数。
     Tkinter 是 Python 的一个 GUI 工具包。虽然并不是唯一的包，但它最常用。利用 Tkinter ，我们可以轻轻松松绘制各种部件并安排它们的位置。另外，可以为
 Tkinter 构造一个特殊的部件来显示 Matplotlib 绘出的图。所以，Matplotlib 和 Tkinter 的集成可以构建出更强大的 GUI ，用户可以以更自然的方式来探索机器学习算法的奥妙。
+
 * * *
 
 * **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [小瑶](http://www.apache.wiki/users/viewmyprofile.action)**