更新 img 链接

DylanHooz · Aug 24, 2018 · 33cfb5b · 33cfb5b
1 parent 1a54fb9
commit 33cfb5b
Show file tree

Hide file tree

Showing 21 changed files with 187 additions and 185 deletions.
diff --git a/README.md b/README.md
@@ -4,7 +4,7 @@
 
 > **欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远**
 
-* **ApacheCN - 学习机器学习群【629470233】<a target="_blank" href="//shang.qq.com/wpa/qunwpa?idkey=30e5f1123a79867570f665aa3a483ca404b1c3f77737bc01ec520ed5f078ddef"><img border="0" src/img/MainPage/ApacheCN-group.png" alt="ApacheCN - 学习机器学习群[629470233]" title="ApacheCN - 学习机器学习群[629470233]"></a>**
+* **ApacheCN - 学习机器学习群【629470233】<a target="_blank" href="//shang.qq.com/wpa/qunwpa?idkey=30e5f1123a79867570f665aa3a483ca404b1c3f77737bc01ec520ed5f078ddef"><img border="0" src="img/ml/MainPage/ApacheCN-group.png" alt="ApacheCN - 学习机器学习群[629470233]" title="ApacheCN - 学习机器学习群[629470233]"></a>**
 * **Machine Learning in Action (机器学习实战) | [ApacheCN(apache中文网)](http://cwiki.apachecn.org/)**
 * 电子版书籍：[【机器学习实战-中文版-带目录版.pdf】](https://github.com/apachecn/AiLearning/tree/master/books)  
 * -- 感谢 [群小哥哥：Wizard Zhang](https://github.com/wizardforcel) 生成的电子书[《机器学习实战-ApacheCN.pdf》](https://github.com/apachecn/AiLearning/blob/master/books/机器学习实战-ApacheCN.pdf)
@@ -354,7 +354,7 @@ mage字幕是为给定图像生成文本描述的任务。
 
 > 视频怎么看？
 
-![](images/MainPage/ApacheCN-ML-bilibili-compare.jpg)
+![](img/MainPage/ApacheCN-ML-bilibili-compare.jpg)
 
 1. 理论科班出身-建议去学习 Andrew Ng 的视频（Ng 的视频绝对是权威，这个毋庸置疑）
 2. 编码能力强 - 建议看我们的[《机器学习实战-教学版》](https://space.bilibili.com/97678687/#!/channel/detail?cid=22486)
@@ -377,9 +377,9 @@ mage字幕是为给定图像生成文本描述的任务。
 |||
 | - | - |
 | AcFun | B站 |
-| <a title="AcFun（机器学习视频）" href="http://www.acfun.cn/u/12540256.aspx#page=1" target="_blank"><img width="290" src="images/MainPage/ApacheCN-ML-AcFun.jpg"></a> | <a title="bilibili（机器学习视频）" href="https://space.bilibili.com/97678687/#!/channel/index" target="_blank"><img width="290" src="images/MainPage/ApacheCN-ML-bilibili.jpg"></a> |
+| <a title="AcFun（机器学习视频）" href="http://www.acfun.cn/u/12540256.aspx#page=1" target="_blank"><img width="290" src="img/MainPage/ApacheCN-ML-AcFun.jpg"></a> | <a title="bilibili（机器学习视频）" href="https://space.bilibili.com/97678687/#!/channel/index" target="_blank"><img width="290" src="img/MainPage/ApacheCN-ML-bilibili.jpg"></a> |
 | 优酷 | 网易云课堂 |
-| <a title="YouKu（机器学习视频）" href="http://i.youku.com/apachecn" target="_blank"><img width="290" src="images/MainPage/ApacheCM-ML-youku.jpg"></a> | <a title="WangYiYunKeTang（机器学习视频）" href="http://study.163.com/course/courseMain.htm?courseId=1004582003" target="_blank"><img width="290" src="images/MainPage/ApacheCM-ML-WangYiYunKeTang.png"></a> |
+| <a title="YouKu（机器学习视频）" href="http://i.youku.com/apachecn" target="_blank"><img width="290" src="img/MainPage/ApacheCM-ML-youku.jpg"></a> | <a title="WangYiYunKeTang（机器学习视频）" href="http://study.163.com/course/courseMain.htm?courseId=1004582003" target="_blank"><img width="290" src="img/MainPage/ApacheCM-ML-WangYiYunKeTang.png"></a> |
 
 > 【免费】机器/深度学习视频 - 吴恩达
 
@@ -470,3 +470,5 @@ mage字幕是为给定图像生成文本描述的任务。
 
 * https://machinelearningmastery.com/datasets-natural-language-processing
 * 【比赛收集平台】: https://github.com/iphysresearch/DataSciComp
+
+![](https://apachecn.github.io/home/img/about/donate.jpg)
diff --git a/docs/1.机器学习基础.md b/docs/1.机器学习基础.md
@@ -1,6 +1,6 @@
 # 第1章 机器学习基础
 
-![机器学习基础_首页](/img/1.MLFoundation/机器学习基础-首页.jpg)
+![机器学习基础_首页](/img/ml/1.MLFoundation/机器学习基础-首页.jpg)
 
 ## 机器学习 概述
 
@@ -86,11 +86,11 @@
 这个算法可以训练程序做出某一决定。程序在某一情况下尝试所有的可能行动，记录不同行动的结果并试着找出最好的一次尝试来做决定。 属于这一类算法的有马尔可夫决策过程。
 ### 训练过程
 
-![机器学习训练过程图](/img/1.MLFoundation/机器学习基础训练过程.jpg)
+![机器学习训练过程图](/img/ml/1.MLFoundation/机器学习基础训练过程.jpg)
 
 ### 算法汇总
 
-![算法汇总](/img/1.MLFoundation/ml_algorithm.jpg)
+![算法汇总](/img/ml/1.MLFoundation/ml_algorithm.jpg)
 
 
 ## 机器学习 使用
@@ -104,7 +104,7 @@
 
 > 举例
 
-![选择算法图](/img/1.MLFoundation/机器学习基础-选择算法.jpg)
+![选择算法图](/img/ml/1.MLFoundation/机器学习基础-选择算法.jpg)
 
 > 机器学习 开发流程
 
@@ -215,7 +215,7 @@ F 值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
 
 下面这个图可以比较直观地展示出来：
 
-![](/img/1.MLFoundation/ml_add_1.jpg)
+![](/img/ml/1.MLFoundation/ml_add_1.jpg)
 
 ### 特征工程的一些小东西
 
@@ -225,7 +225,7 @@ F 值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
 
 下面给出一个特征工程的图：
 
-![](/img/1.MLFoundation/ml_add_2.jpg)
+![](/img/ml/1.MLFoundation/ml_add_2.jpg)
 
 ### 其他
 

diff --git a/docs/10.k-means聚类.md b/docs/10.k-means聚类.md
@@ -1,7 +1,7 @@
 
 # 第 10 章 K-Means（K-均值）聚类算法
 
-![K-Means（K-均值）聚类算法_首页](/img/10.KMeans/K-Means_首页.jpg)
+![K-Means（K-均值）聚类算法_首页](/img/ml/10.KMeans/K-Means_首页.jpg)
 ## 聚类
 聚类，简单来说，就是将一个庞杂数据集中具有相似特征的数据自动归类到一起，称为一个簇，簇内的对象越相似，聚类的效果越好。它是一种无监督的学习(Unsupervised Learning)方法,不需要预先标注好的训练集。聚类与分类最大的区别就是分类的目标事先已知，例如猫狗识别，你在分类之前已经预先知道要将它分为猫、狗两个种类；而在你聚类之前，你对你的目标是未知的，同样以动物为例，对于一个动物集来说，你并不清楚这个数据集内部有多少种类的动物，你能做的只是利用聚类方法将它自动按照特征分为多类，然后人为给出这个聚类结果的定义（即簇识别）。例如，你将一个动物集分为了三簇（类），然后通过观察这三类动物的特征，你为每一个簇起一个名字，如大象、狗、猫等，这就是聚类的基本思想。     
 
@@ -48,7 +48,7 @@ kmeans，如前所述，用于数据集内种类属性不明晰，希望能够
 
 有关 `簇` 和 `质心` 术语更形象的介绍, 请参考下图:
 
-![K-Means 术语图](/img/10.KMeans/apachecn-k-means-term-1.jpg)
+![K-Means 术语图](/img/ml/10.KMeans/apachecn-k-means-term-1.jpg)
 
 ### K-Means 工作流程
 1. 首先, 随机确定 K 个初始点作为质心（**不必是数据中的点**）。
@@ -151,15 +151,15 @@ def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
 2. 测试一下 kMeans 函数是否可以如预期运行, 请看: <https://github.com/apachecn/AiLearning/blob/master/src/py2.x/ML/10.kmeans/kMeans.py> 
 
 参考运行结果如下:  
-![K-Means 运行结果1](/img/10.KMeans/apachecn-k-means-run-result-1.jpg)
+![K-Means 运行结果1](/img/ml/10.KMeans/apachecn-k-means-run-result-1.jpg)
 
 
 
 ### K-Means 聚类算法的缺陷
 > 在 kMeans 的函数测试中，可能偶尔会陷入局部最小值（局部最优的结果，但不是全局最优的结果）.
 
 局部最小值的的情况如下:  
-![K-Means 局部最小值1](/img/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg)
+![K-Means 局部最小值1](/img/ml/10.KMeans/apachecn-kmeans-partial-best-result-1.jpg)
 出现这个问题有很多原因，可能是k值取的不合适，可能是距离函数不合适，可能是最初随机选取的质心靠的太近，也可能是数据本身分布的问题。
 
 为了解决这个问题，我们可以对生成的簇进行后处理，一种方法是将具有最大**SSE**值的簇划分成两个簇。具体实现时可以将最大簇包含的点过滤出来并在这些点上运行K-均值算法，令k设为2。
@@ -228,7 +228,7 @@ def biKMeans(dataSet, k, distMeas=distEclud):
 
 上述函数可以运行多次，聚类会收敛到全局最小值，而原始的 kMeans() 函数偶尔会陷入局部最小值。  
 运行参考结果如下:  
-![二分 K-Means 运行结果1](/img/10.KMeans/apachecn-bikmeans-run-result-1.jpg)
+![二分 K-Means 运行结果1](/img/ml/10.KMeans/apachecn-bikmeans-run-result-1.jpg)
 
 * **作者：[那伊抹微笑](http://www.apache.wiki/display/~xuxin),  [清都江水郎](http://cwiki.apachecn.org/display/~xuzhaoqing)** 
 * [GitHub地址](https://github.com/apachecn/AiLearning): <https://github.com/apachecn/AiLearning>

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
@@ -1,7 +1,7 @@
 
 # 第 11 章 使用 Apriori 算法进行关联分析
 
-![](/img/11.Apriori/apachecn_apriori_homepage.jpg)
+![](/img/ml/11.Apriori/apachecn_apriori_homepage.jpg)
 
 ## 关联分析
 关联分析是一种在大规模数据集中寻找有趣关系的任务。
@@ -12,7 +12,7 @@
 ## 相关术语
 * 关联分析（关联规则学习): 从大规模数据集中寻找物品间的隐含关系被称作 `关联分析(associati analysis)` 或者 `关联规则学习（association rule learning）` 。
 下面是用一个 `杂货店` 例子来说明这两个概念，如下图所示:  
-![关联分析示例1](/img/11.Apriori/apachecn_apriori_association_demo_1.jpg)
+![关联分析示例1](/img/ml/11.Apriori/apachecn_apriori_association_demo_1.jpg)
 
 * 频繁项集: {葡萄酒, 尿布, 豆奶} 就是一个频繁项集的例子。
 * 关联规则: 尿布 -> 葡萄酒 就是一个关联规则。这意味着如果顾客买了尿布，那么他很可能会买葡萄酒。
@@ -31,14 +31,14 @@
 
 假设我们一共有 4 个商品: 商品0, 商品1, 商品2, 商品3。
 所有可能的情况如下:  
-![4种商品的所有组合](/img/11.Apriori/apachecn_apriori_goods_all_1.jpg)  
+![4种商品的所有组合](/img/ml/11.Apriori/apachecn_apriori_goods_all_1.jpg)  
 如果我们计算所有组合的支持度，也需要计算 15 次。即 2^N - 1 = 2^4 - 1 = 15。  
 随着物品的增加，计算的次数呈指数的形式增长 ...   
 为了降低计算次数和时间，研究人员发现了一种所谓的 Apriori 原理，即某个项集是频繁的，那么它的所有子集也是频繁的。
 例如，如果 {0, 1} 是频繁的，那么 {0}, {1} 也是频繁的。
 该原理直观上没有什么帮助，但是如果反过来看就有用了，也就是说如果一个项集是 `非频繁项集`，那么它的所有超集也是非频繁项集，如下图所示:  
 
-![非频繁项集](/img/11.Apriori/非频繁项集.png)
+![非频繁项集](/img/ml/11.Apriori/非频繁项集.png)
 
 在图中我们可以看到，已知灰色部分 {2,3} 是 `非频繁项集`，那么利用上面的知识，我们就可以知道 {0,2,3} {1,2,3} {0,1,2,3} 都是 `非频繁的`。
 也就是说，计算出 {2,3} 的支持度，知道它是 `非频繁` 的之后，就不需要再计算 {0,2,3} {1,2,3} {0,1,2,3} 的支持度，因为我们知道这些集合不会满足我们的要求。
@@ -272,7 +272,7 @@ def apriori(dataSet, minSupport=0.5):
 
 ### 一个频繁项集可以产生多少条关联规则呢？
 如下图所示，给出的是项集 {0,1,2,3} 产生的所有关联规则:  
-![关联规则网格示意图](/img/11.Apriori/apachecn_association_rule_demo_1.jpg)  
+![关联规则网格示意图](/img/ml/11.Apriori/apachecn_association_rule_demo_1.jpg)  
 与我们前面的 `频繁项集` 生成一样，我们可以为每个频繁项集产生许多关联规则。  
 如果能减少规则的数目来确保问题的可解析，那么计算起来就会好很多。  
 通过观察，我们可以知道，如果某条规则并不满足 `最小可信度` 要求，那么该规则的所有子集也不会满足 `最小可信度` 的要求。  
@@ -386,7 +386,7 @@ def generateRules(L, supportData, minConf=0.7):
     * 1.首先从一个频繁项集开始，接着创建一个规则列表，其中规则右部分只包含一个元素，然后对这个规则进行测试。
     * 2.接下来合并所有剩余规则来创建一个新的规则列表，其中规则右部包含两个元素。
     * 如下图：
-    * ![所有可能的项集组合](/img/11.Apriori/所有可能的项集组合.png)
+    * ![所有可能的项集组合](/img/ml/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
 
 * * *

diff --git a/docs/12.使用FP-growth算法来高效发现频繁项集.md b/docs/12.使用FP-growth算法来高效发现频繁项集.md
@@ -1,7 +1,7 @@
 
 # 第12章 使用FP-growth算法来高效发现频繁项集
 
-![](/img/12.FP-growth/apachecn_fp_growth_homepage.png)
+![](/img/ml/12.FP-growth/apachecn_fp_growth_homepage.png)
 
 ## 前言
 在 [第11章]() 时我们已经介绍了用 `Apriori` 算法发现 `频繁项集` 与 `关联规则`。  
@@ -37,31 +37,31 @@ class treeNode:
    1. 遍历所有的数据集合，计算所有项的支持度。
    2. 丢弃非频繁的项。
    3. 基于 支持度 降序排序所有的项。
-   ![](/img/12.FP-growth/步骤1-3.png)
+   ![](/img/ml/12.FP-growth/步骤1-3.png)
    4. 所有数据集合按照得到的顺序重新整理。
    5. 重新整理完成后，丢弃每个集合末尾非频繁的项。
-   ![](/img/12.FP-growth/步骤4-5.png)
+   ![](/img/ml/12.FP-growth/步骤4-5.png)
 
 步骤2:
    6. 读取每个集合插入FP树中，同时用一个头部链表数据结构维护不同集合的相同项。  
-   ![](/img/12.FP-growth/步骤6-1.png)
+   ![](/img/ml/12.FP-growth/步骤6-1.png)
    最终得到下面这样一棵FP树
-   ![](/img/12.FP-growth/步骤6-2.png)
+   ![](/img/ml/12.FP-growth/步骤6-2.png)
 
 
 从FP树中挖掘出频繁项集
 
 步骤3:
    1. 对头部链表进行降序排序
    2. 对头部链表节点从小到大遍历，得到条件模式基，同时获得一个频繁项集。
-        ![](/img/12.FP-growth/步骤6-2.png)
+        ![](/img/ml/12.FP-growth/步骤6-2.png)
         如上图，从头部链表 t 节点开始遍历，t 节点加入到频繁项集。找到以 t 节点为结尾的路径如下:
-        ![](/img/12.FP-growth/步骤7-1.png)
+        ![](/img/ml/12.FP-growth/步骤7-1.png)
         去掉FP树中的t节点，得到条件模式基<左边路径,左边是值>[z,x,y,s,t]:2，[z,x,y,r,t]:1 。条件模式基的值取决于末尾节点 t ，因为 t 的出现次数最小，一个频繁项集的支持度由支持度最小的项决定。所以 t 节点的条件模式基的值可以理解为对于以 t 节点为末尾的前缀路径出现次数。
 
    3. 条件模式基继续构造条件 FP树， 得到频繁项集，和之前的频繁项组合起来，这是一个递归遍历头部链表生成FP树的过程，递归截止条件是生成的FP树的头部链表为空。
         根据步骤 2 得到的条件模式基 [z,x,y,s,t]:2，[z,x,y,r,t]:1 作为数据集继续构造出一棵FP树，计算支持度，去除非频繁项，集合按照支持度降序排序，重复上面构造FP树的步骤。最后得到下面 t-条件FP树 :
-        ![](/img/12.FP-growth/步骤7-2.png)
+        ![](/img/ml/12.FP-growth/步骤7-2.png)
         然后根据 t-条件FP树 的头部链表进行遍历，从 y 开始。得到频繁项集 ty 。然后又得到 y 的条件模式基，构造出 ty的条件FP树，即 ty-条件FP树。继续遍历ty-条件FP树的头部链表，得到频繁项集 tyx，然后又得到频繁项集 tyxz. 然后得到构造tyxz-条件FP树的头部链表是空的，终止遍历。我们得到的频繁项集有 t->ty->tyz->tyzx，这只是一小部分。
    * 条件模式基:头部链表中的某一点的前缀路径组合就是条件模式基，条件模式基的值取决于末尾节点的值。
    * 条件FP树:以条件模式基为数据集构造的FP树叫做条件FP树。

diff --git a/docs/13.利用PCA来简化数据.md b/docs/13.利用PCA来简化数据.md
@@ -1,6 +1,6 @@
 # 第13章 利用 PCA 来简化数据
 
-![利用PCA简化数据_首页](/img/13.PCA/利用PCA简化数据_首页.jpg)
+![利用PCA简化数据_首页](/img/ml/13.PCA/利用PCA简化数据_首页.jpg)
 
 ## 降维技术 
 
@@ -70,7 +70,7 @@
 
 例如下图：
 
-![应用PCA降维](/img/13.PCA/应用PCA降维.png)
+![应用PCA降维](/img/ml/13.PCA/应用PCA降维.png)
 
 > PCA 优缺点
 
@@ -128,7 +128,7 @@ def replaceNanWithMean():
 
 > 分析数据：统计分析 N 的阈值
 
-![PCA分析数据过程](/img/13.PCA/PCA分析数据过程.jpg)
+![PCA分析数据过程](/img/ml/13.PCA/PCA分析数据过程.jpg)
 
 > PCA 数据降维