diff --git a/docs/1.机器学习基础.md b/docs/1.机器学习基础.md
index 699c66e1..d6da2f20 100644
--- a/docs/1.机器学习基础.md
+++ b/docs/1.机器学习基础.md
@@ -1,61 +1,87 @@
-# 1) 机器学习基础
+# 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。
+我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的真实含义。
-* 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。
+> 机器学习已应用于多个领域，远远超出大多数人的想象，横跨：计算机科学、工程技术和统计学等多个学科。
-* 机器学习的任务
- * 机器学习的主要任务就是分类。
- * 分类：将实例数据划分到合适的分类中。
- * 机器学习的另一项任务是回归。
- * 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）
+* 搜索引擎，根据你的搜索点击，优化你下次的搜索结果。
+* 垃圾邮件，会自动的过滤垃圾广告邮件到垃圾箱内。
+* 超市优惠券，你会发现，你在购买小孩子的尿布的时候，售货员会赠送你一张优惠券可以兑换6罐啤酒。
+* 邮局邮寄，手写软件自动识别寄送贺卡的地址。
+* 申请贷款，通过你最近的金融活动信息继续综合评定，决定你是否合格。
+## 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
+
+## 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分类中。
+* 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）
* 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的，而在回归算法中通常是连续型的。
* 机器学习的训练过程
- * 
+* 
-* 监督学习
- * 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 + 目标变量
- * 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。
- * 特征(feature-是否有缺失情况) + 目标变量(分类-离散值/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`：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
+> 监督学习
-* 非监督学习
- * 数据没有类别信息，也不会给定目标值
- * 聚类：在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程称为聚类；
- * 密度估计：将寻找描述数据统计值的过程称之为密度估计。
- * 此外，无监督学习还可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息。
+* 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 + 目标变量
+ * 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。
+* 特征(feature-是否有缺失情况) + 目标变量(分类-离散值/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`：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
+
+* 数据没有类别信息，也不会给定目标值
+* 聚类：在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程称为聚类；
+* 密度估计：将寻找描述数据统计值的过程称之为密度估计。
+* 此外，无监督学习还可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息。
+
+> 算法汇总
+
+
+
+## 机器学习的原因
* 选择算法需要考虑的两个问题
- * 使用机器学习算法的目的。
+ * 使用机器学习算法的目的
* 想要完成何种任务，比如是预测明天下雨的概率还是对投票者按照兴趣分组；如果想要预测目标变量的值，则可以选择监督学习算法，否则可以选择无监督学习算法。
* 需要分析或收集的数据是什么
* 举例
* 
-* 开发的步骤
- * 1.收集数据
- * 2.准备输入数据
- * 注意数据的格式
- * 3.分析输入数据
- * 为了确保数据集中没有垃圾数据；如果是算法可以处理的数据格式或可信任的数据源，则可以跳过该步骤；另外该步骤需要人工干预，会降低自动化系统的价值。
- * 4.训练算法
- * 如果使用无监督学习算法，由于不存在目标变量值，则可以跳过该步骤
- * 5.测试算法
- * 6.使用算法
+```
+开发机器学习应用程序的步骤
+1. 收集数据
+2. 准备输入数据
+ * 注意数据的格式
+3. 分析输入数据
+ * 为了确保数据集中没有垃圾数据；如果是算法可以处理的数据格式或可信任的数据源，则可以跳过该步骤；另外该步骤需要人工干预，会降低自动化系统的价值。
+4. 训练算法
+ * 如果使用无监督学习算法，由于不存在目标变量值，则可以跳过该步骤
+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)
+## Python语言的优势
+
+1. 可执行伪代码
+2. Python比较流行
+3. Python语言的特色
+4. Python语言的缺点
+5. 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`
diff --git a/images/1.MLFoundation/ml_algorithm.jpg b/images/1.MLFoundation/ml_algorithm.jpg
new file mode 100644
index 00000000..2d07de16
Binary files /dev/null and b/images/1.MLFoundation/ml_algorithm.jpg differ
diff --git a/src/python/1.MLFoundation/NumPy.py b/src/python/1.MLFoundation/NumPy.py
index 8aa3c9cd..05432bad 100644
--- a/src/python/1.MLFoundation/NumPy.py
+++ b/src/python/1.MLFoundation/NumPy.py
@@ -4,7 +4,7 @@
from numpy import random, mat, eye
'''
-# NumPy 矩阵和数字的区别
+# NumPy 矩阵和数组的区别
NumPy存在2中不同的数据类型:
1. 矩阵 matrix
2. 数组 array