diff --git a/docs/11.交易清单.png b/docs/11.交易清单.png
new file mode 100644
index 00000000..e0d5cbd6
Binary files /dev/null and b/docs/11.交易清单.png differ
diff --git a/docs/11.使用Apriori算法进行关联分析.md b/docs/11.使用Apriori算法进行关联分析.md
index 71adb177..2e6cb07b 100644
--- a/docs/11.使用Apriori算法进行关联分析.md
+++ b/docs/11.使用Apriori算法进行关联分析.md
@@ -1,9 +1,30 @@
-# 11.使用Apriori算法进行关联分析 #
 
-**- 概念**
+# 11) 使用Apriori算法进行关联分析
 
-1. 关联关系：associati analysis 从大规模数据集中寻找物品间的隐含关系呗称作关联关系或者关联规则学习。关系有两种形式：频繁项集（经常一块出现的物品集合）；关联规则（暗示两种物品之间可能存在很强的关系）
-2. 项集的支持度(support)：数据集中包含该项集的记录所占的比例
-3. 置信度（confidence)：置信度({A}->{B}) = 支持度{A,B}/支持度{A} 
-
-Apriori原理：如果某个项集是频繁的，那么它的所有子集也是频繁的，反之，一个项集是非频繁的，那么它的所有超集也是非频繁的。
\ No newline at end of file
+* 使用场景：
+    * 目的：商店希望从客户身上获取尽可能多的利润。
+    * 忠诚度计划： 通过顾客的会员卡可获取已定的折扣，商店也可以了解客户购买的商品; 不买会员卡，商店也可以查用顾客一起购买的物品，找出商品之间的关系。
+    * 例如： 尿布和啤酒的故事
+* 关联关系(associati analysis) 或 关联规则学习(association rule learning)
+    * 从大规模数据集中寻找物品间的隐含关系呗称作关联关系。
+* 关联分析：
+    * 优点：易编码实现
+    * 缺点：在大数据集上可能较慢
+    * 适用数据类型：数值型 或者 标称型数据。
+* 关联分析有2种形式：
+    * 1.频繁项集(frequent item sets): 经常出现在一块的物品集合
+    * 2.关联规则(association rules): 暗示两种物品之间可能存在很强的关系
+    * 总结：首先需要找到频繁项集，才能找到关联规则。
+    * 如下图：
+    * ![交易清单](./11.交易清单.png)
+* 支持度(support)
+    * 数据集中包含该项集的记录所占的比例
+    * 例如上图中：{豆奶}的支持度=4/5， {豆奶，尿布}的支持度=3/5
+* 置信度（confidence)
+    * 置信度({A}->{B}) = 支持度{A,B}/支持度{A} 
+    * 例如上图中：{尿布，葡萄酒}的支持度=3/5， {尿布}的支持度=4/5， 所以 尿布->葡萄酒的可信度=3/4
+* Apriori原理
+    * 如果某个项集是频繁的，那么它的所有子集也是频繁的，反之，一个项集是非频繁的，那么它的所有超集也是非频繁的。
+    * 例如： 我们假设知道{2, 3}是非频繁项，那么{0, 2, 3}, {1, 2, 3}, {0, 1, 2, 3}都是非频繁项。
+    * 如下图：
+    * ![非频繁项集](./11.非频繁项集.png)
diff --git a/docs/11.非频繁项集.png b/docs/11.非频繁项集.png
new file mode 100644
index 00000000..da7834ba
Binary files /dev/null and b/docs/11.非频繁项集.png differ