diff --git a/docs/14-Unsupervised-Learning/14.1-Introduction.md b/docs/14-Unsupervised-Learning/14.1-Introduction.md
index 32d6416e3a..281190d7b9 100644
--- a/docs/14-Unsupervised-Learning/14.1-Introduction.md
+++ b/docs/14-Unsupervised-Learning/14.1-Introduction.md
@@ -32,7 +32,7 @@ $$
 !!! note "weiya 注：流形"
     流形（manifold）：数学上，流形是一个拓扑空间，在每一点附近局部地近似欧式空间．更精确地，$n$ 维流形的每个点与维度为 $n$ 的欧式空间同态的邻域．
 
-监督学习中，有一个明确的成功或不成功的量度，因此可用于判断特定情况下的**充分性 (adequacy)**，并比较不同方法在各种情况下的**有效性 (effectiveness)**．成功的损失直接用在联合分布 $Pr(X,Y)$ 上的期望损失来衡量．这个可以用各种方式来衡量，包括交叉验证．在非监督学习中，没有这些直接衡量成功的量度．从大部分非监督学习的算法的输出中评估推断的有效性是很难确定的．必须诉诸于**启发式变量 (heuristic arguments)**，在监督学习也经常使用，这不仅可以激励 (motivating) 算法，而且为了评价结果的质量．因为有效性是主观问题，不能直接加以证实，这种不舒服 (unconfortable) 的情形导致提出的方法激增，
+监督学习中，有一个明确的成功或不成功的量度，因此可用于判断特定情况下的**充分性 (adequacy)**，并比较不同方法在各种情况下的**有效性 (effectiveness)**．成功的损失直接用在联合分布 $\Pr(X,Y)$ 上的期望损失来衡量．这个可以用各种方式来衡量，包括交叉验证．在非监督学习中，没有这些直接衡量成功的量度．从大部分非监督学习的算法的输出中评估推断的有效性是很难确定的．必须诉诸于**启发式变量 (heuristic arguments)**，在监督学习也经常使用，这不仅可以激励 (motivating) 算法，而且为了评价结果的质量．因为有效性是主观问题，不能直接加以证实，这种不舒服 (unconfortable) 的情形导致提出的方法激增，
 
 在这章中，我们提出在实际中广泛使用的非监督学习技巧，以及另外一些作者认同的方法．