📝

Author: jiangyangcreate

README.md

@@ -59,7 +59,6 @@
 │   ├── xxxx.md             # 博客文件
 │   └── authors.yml         # 博客作者
 ├── docs
-│   ├── ai                  # 算法文档
 │   ├── read                # 书架文档
 │   └── docs                # 开发文档
 ├── src

docs/docs/机器学习/index.md

@@ -0,0 +1,22 @@
+---
+sidebar_position: 7
+title: 机器学习
+---
+
+机器学习是当前发展最热门的方向之一，可以称之为计算机科学的明珠。
+
+我们可能会需要多个测试环境（例如：python3.9）去复现别人论文的代码，另一方面我们又需要一个最新的python去开发新的代码。 
+
+这就导致了一个问题，如何管理这些依赖，如何保证不同的模块库之间的兼容性，如何保证不同的模块库之间的可复用性。
+
+常见的主流方案如下，可以按需选择：
+
+| 工具    | 优点                                                         | 缺点                                           | 适用场景                     |
+|---------|------------------------------------------------------------|------------------------------------------------|------------------------------|
+| `venv`  | 轻量级，不需要额外安装复杂的工具。                          | 不能管理非Python的依赖，例如cuda版本。          | 传统的机器学习               |
+| `conda` | 功能强大，可以管理外部依赖。              | 体积大。迁移不方便。                              | 深度学习                     |
+| `docker`| 可以创建一个隔离的环境，并且可以方便的进行迁移。            | 需要学习和理解Docker的概念。                    | 需要迁移的环境               |
+
+这里我建议先使用传统的单环境开发，后续需要迁移环境时，再使用`conda`或者`docker`。
+
+<DocCardList />

docs/ai/传统算法/K-邻近算法.md docs/docs/机器学习/传统算法/K-邻近算法.mddocs/ai/传统算法/K-邻近算法.md renamed to docs/docs/机器学习/传统算法/K-邻近算法.md

@@ -11,7 +11,7 @@ title: 线性回归
 
 这条最佳直线就是回归线。这个回归关系可以用$Y=aX+b$表示。
 
-多个数据可以用$Y= β0\*X0 + β1X1 + β2X2+…… βnXn+ ε $表示。
+多个数据可以用$Y= β0X0 + β1X1 + β2X2+…… βnXn+ ε $表示。
 
 ## 评估数据的离散程度