2020-09-16 16:05:22

docs/ai-py/01.md

@@ -298,9 +298,9 @@ $ python3 --version
 
 ## 在 Windows 上安装
 
-如果使用 Windows，建议您使用 Python 3 的`SciPy-stack`兼容发行版。Anaconda 非常流行并且易于使用。 您可以在以下位置找到安装说明： [https://www.continuum.io/downloads](https://www.continuum.io/downloads) 。
+如果使用 Windows，建议您使用 Python 3 的`SciPy-stack`兼容发行版。Anaconda 非常流行并且易于使用。 [您可以在以下位置找到安装说明](https://www.continuum.io/downloads)。
 
-如果要检查 Python 3 的其他`SciPy-stack`兼容发行版，可以在 [http://www.scipy.org/install.html](http://www.scipy.org/install.html) 中找到它们。 这些发行版的好处是它们附带了所有必需的软件包。 如果使用这些版本之一，则无需单独安装软件包。
+如果要检查 Python 3 的其他`SciPy-stack`兼容发行版，可以在[这个页面](http://www.scipy.org/install.html)中找到它们。 这些发行版的好处是它们附带了所有必需的软件包。 如果使用这些版本之一，则无需单独安装软件包。
 
 安装后，请像前面的 id 一样运行 check 命令：
 
@@ -316,10 +316,10 @@ $ python3 --version
 
 如果您使用 Ubuntu 或 Mac OS X，则安装这些软件包非常简单。 所有这些软件包都可以使用单行命令安装。 这是与相关的安装链接：
 
-*   NumPy： [http://docs.scipy.org/doc/numpy-1.10.1/user/install.html](http://docs.scipy.org/doc/numpy-1.10.1/user/install.html )
-*   SciPy： [http://www.scipy.org/install.html](http://www.scipy.org/install.html )
-*   scikit-learn： [http://scikit-learn.org/stable/install.html](http://scikit-learn.org/stable/install.html )
-*   matplotlib： [http://matplotlib.org/1.4.2/users/installing.html](http://matplotlib.org/1.4.2/users/installing.html )
+*   [NumPy](http://docs.scipy.org/doc/numpy-1.10.1/user/install.html)
+*   [SciPy](http://www.scipy.org/install.html)
+*   [scikit-learn](http://scikit-learn.org/stable/install.htmlx)
+*   [matplotlib](http://matplotlib.org/1.4.2/users/installing.html)
 
 如果您使用的是 Windows，则应该已安装 Python 3 的`SciPy-stack`兼容版本。
 

docs/ai-py/02.md

@@ -145,7 +145,7 @@ AI 可以协助生成候选药物（即要在医学上测试的分子），然
 
 例如，Insilico Medicine 的 *young.ai* 项目可以准确地预测血液样本和照片中某人的寿命。 血液样本提供 21 种生物标志物，例如胆固醇水平，炎症标志物，血红蛋白计数和白蛋白水平，用作机器学习模型的输入。 模型的其他输入是种族和年龄，以及该人的照片。
 
-有趣的是，到目前为止，任何人都可以通过访问 young.ai（ [https://young.ai](https://young.ai) ）并提供所需信息来免费使用此服务。
+有趣的是，到目前为止，任何人都可以通过访问 [young.ai](https://young.ai) 并提供所需信息来免费使用此服务。
 
 **患者诊断**
 
@@ -501,7 +501,6 @@ Lake Formation 还提供了集中式仪表板，管理员可以在其中管理
 
 # 参考
 
-1.  艾米丽（Emily）威灵厄姆（Willingham），*一台机器在诊断患病儿童方面获得很高的评价*，《科学美国人》，10 月 7 日。<sup>，</sup>，2019， [https://www.scientificamerican.com/article/ 一台机器获得高分以诊断生病的孩子/](https://www.scientificamerican.com/article/a-machine-gets-high-marks-for-diagnosing-sick-children/ )
-2.  克拉克·杰克（Clark，Jack）， *Google 将其获利的网络搜索转向了 AI 机器*，彭博社，10 月 26 日 <sup>th</sup> ，2015 年， [https://www.bloomberg.com/news/ articles / 2015-10-26 / google-turning-its-lucrative-web-search-to-ai-machines](https://www.bloomberg.com/news/articles/2015-10-26/google-turning-its-lucrative-web-search-over-to-ai-machines)
-
-1.  [https://www.michaelcaines.com/michael-caines/about-michael/](https://www.michaelcaines.com/michael-caines/about-michael/)
\ No newline at end of file
+1.  `Willingham, Emily, A Machine Gets High Marks for Diagnosing Sick Children, Scientific American, October 7th, 2019, https://www.scientificamerican.com/article/a-machine-gets-high-marks-for-diagnosing-sick-children/`
+2.  `Clark, Jack, Google Turning Its Lucrative Web Search Over to AI Machines, Bloomberg, October 26th, 2015, https://www.bloomberg.com/news/articles/2015-10-26/google-turning-its-lucrative-web-search-over-to-ai-machines`
+1.  <https://www.michaelcaines.com/michael-caines/about-michael/>
\ No newline at end of file

docs/ai-py/04.md

@@ -32,9 +32,7 @@
 *   模型需要的输入功能越少，说明它就越容易。 当特征数量增加时，模型的可解释性下降。 减少输入要素的数量还可以简化为较小尺寸（例如 2D 或 3D）时可视化数据的过程。
 *   随着维数的增加，可能的配置呈指数增加，而观测值覆盖的配置数则减少。 随着您具有描述目标的更多功能，您也许可以更精确地描述数据，但是您的模型将不会使用新的数据点进行泛化-您的模型将过度拟合数据。 这就是维度的*诅咒。*
 
-让我们通过一个例子直观地思考一下。 美国有一个房地产网站，允许房地产经纪人和房主列出出租房屋或出售房屋。 Zillow 因其 Zestimate 而闻名。 Zestimate 是使用机器学习的估计价格。 Zillow 估计，如果今天将其投放市场，房屋将要出售的价格。 Zestimates 会不断更新和重新计算。 Zillow 如何得出这个数字？ 如果您想了解更多，可以在 Kaggle 上进行一场比赛，该比赛在 Zestimate 上有很多资源。 你可以在这里查询更多详情：
-
-[https://www.kaggle.com/c/zillow-prize-1](https://www.kaggle.com/c/zillow-prize-1 )
+让我们通过一个例子直观地思考一下。 美国有一个房地产网站，允许房地产经纪人和房主列出出租房屋或出售房屋。 Zillow 因其 Zestimate 而闻名。 Zestimate 是使用机器学习的估计价格。 Zillow 估计，如果今天将其投放市场，房屋将要出售的价格。 Zestimates 会不断更新和重新计算。 Zillow 如何得出这个数字？ 如果您想了解更多，可以在 Kaggle 上进行一场比赛，该比赛在 Zestimate 上有很多资源。 [你可以在这里查询更多详情](https://www.kaggle.com/c/zillow-prize-1)。
 
 Zestimate 算法的确切细节是专有的，但是我们可以做一些假设。 现在，我们将开始探索如何提出自己的 Zestimate。 让我们为我们的机器学习模型列出潜在的输入变量，以及它们可能很有价值的原因：
 

docs/ai-py/05.md

@@ -285,7 +285,7 @@ Logistic 回归是的一种技术，用于解释输入变量和输出变量之
 *   它的派生更容易计算
 *   将非线性引入模型的简单方法
 
-它与广义线性模型分析密切相关，在广义线性模型分析中，我们尝试将一条线拟合到一堆点以最小化误差。 代替线性回归，我们使用逻辑回归。 Logistic 回归本身不是分类技术，但是以这种方式使用来促进分类。 由于其简单性，它通常在机器学习中使用。 让我们看看如何使用逻辑回归构建分类器。 在继续操作之前，请确保已安装软件包。 如果不是，则可以在这里找到： [https://docs.python.org/2/library/tkinter.html](https://docs.python.org/2/library/tkinter.html) 。
+它与广义线性模型分析密切相关，在广义线性模型分析中，我们尝试将一条线拟合到一堆点以最小化误差。 代替线性回归，我们使用逻辑回归。 Logistic 回归本身不是分类技术，但是以这种方式使用来促进分类。 由于其简单性，它通常在机器学习中使用。 让我们看看如何使用逻辑回归构建分类器。 在继续操作之前，请确保已安装软件包。 如果不是，[则可以在这里找到](https://docs.python.org/2/library/tkinter.html)。
 
 创建一个新的 Python 文件并导入以下软件包：
 
@@ -657,7 +657,7 @@ Co 位于下图：
 
 # Cl 使用支持向量机将收入数据分类
 
-我们将构建一个支持向量机分类器，根据 14 个属性预测给定人员的收入等级。 我们的目标是查看年收入是高于还是低于$ 50,000。 因此，这是一个二进制分类问题。 我们将使用 [https://archive.ics.uci.edu/ml/datasets/Census+Income](https://archive.ics.uci.edu/ml/datasets/Census+Income) 上提供的普查收入数据集。 此数据集中需要注意的一项是，每个数据点都是单词和数字的混合体。 我们不能使用原始格式的数据，因为算法不知道如何处理单词。 我们无法使用标签编码器来转换所有内容，因为数字数据很有价值。 因此，我们需要结合使用标签编码器和原始数值数据来构建有效的分类器。
+我们将构建一个支持向量机分类器，根据 14 个属性预测给定人员的收入等级。 我们的目标是查看年收入是高于还是低于$ 50,000。 因此，这是一个二进制分类问题。 我们将使用[这个页面](https://archive.ics.uci.edu/ml/datasets/Census+Income)上提供的普查收入数据集。 此数据集中需要注意的一项是，每个数据点都是单词和数字的混合体。 我们不能使用原始格式的数据，因为算法不知道如何处理单词。 我们无法使用标签编码器来转换所有内容，因为数字数据很有价值。 因此，我们需要结合使用标签编码器和原始数值数据来构建有效的分类器。
 
 创建一个新的 Python 文件并导入以下软件包：
 

docs/ai-py/06.md

@@ -766,7 +766,7 @@ plt.show()
 
 # 使用极为随机的森林回归器预测流量
 
-让我们将在上一节中学习的概念应用于一个实际问题。 将使用位于的可用数据集： [https://archive.ics.uci.edu/ml/datasets/Dodgers+Loop+Sensor](https://archive.ics.uci.edu/ml/datasets/Dodgers+Loop+Sensor) 。 该数据集包含对在洛杉矶道奇体育场（Lod Angeles Dodgers Stadium）进行的棒球比赛中道路上经过的车辆进行计数的数据。 为了使数据易于分析，我们需要对其进行预处理。 预处理后的数据在文件`traffic_data.txt`中。 在此文件中，每一行均包含逗号分隔的字符串。 让我们以第一行为例：
+让我们将在上一节中学习的概念应用于一个实际问题。 [我们将使用可用数据集](https://archive.ics.uci.edu/ml/datasets/Dodgers+Loop+Sensor)。 该数据集包含对在洛杉矶道奇体育场（Lod Angeles Dodgers Stadium）进行的棒球比赛中道路上经过的车辆进行计数的数据。 为了使数据易于分析，我们需要对其进行预处理。 预处理后的数据在文件`traffic_data.txt`中。 在此文件中，每一行均包含逗号分隔的字符串。 让我们以第一行为例：
 
 ```py
 Tuesday,00:00,San Francisco,no,3 

docs/ai-py/07.md

@@ -483,7 +483,7 @@ for i in range(num_classes)])
 classifier.fit(X_train) 
 ```py
 
-			可视化分类器的边界。 然后提取特征值和特征向量，以估计如何在簇周围绘制椭圆边界。 有关特征值和特征向量的快速更新，请参阅： [https://math.mit.edu/~gs/linearalgebra/ila0601.pdf](https://math.mit.edu/~gs/linearalgebra/ila0601.pdf) 。 让我们继续进行以下绘制：
+			可视化分类器的边界。 然后提取特征值和特征向量，以估计如何在簇周围绘制椭圆边界。 有关特征值和特征向量的快速更新，请参阅[这里](https://math.mit.edu/~gs/linearalgebra/ila0601.pdf)。 让我们继续进行以下绘制：
 
 ```
 # Draw boundaries

docs/ai-py/08.md

@@ -316,9 +316,7 @@ Predicted output: 1
 
 要构建推荐系统，重要的是要了解如何比较数据集中的各种对象。 如果数据集由人物及其不同的电影喜好组成，那么为了提出建议，我们需要了解如何将任何两个人物相互比较。 这是相似度分数很重要的地方。 相似度得分给出了两个数据点相似度的想法。
 
-此领域中经常使用两个分数-欧几里得分数和皮尔森分数。 **欧几里得分数** 使用两个数据点之间的欧几里得距离来计算分数。 如果需要快速了解欧几里德距离的计算方式，则可以转到：
-
-[https://en.wikipedia.org/wiki/Euclidean_distance](https://en.wikipedia.org/wiki/Euclidean_distance )
+此领域中经常使用两个分数-欧几里得分数和皮尔森分数。 **欧几里得分数** 使用两个数据点之间的欧几里得距离来计算分数。 如果需要快速了解欧几里德距离的计算方式，[则可以转到这里](https://en.wikipedia.org/wiki/Euclidean_distance)。
 
 欧几里得距离的值可以是无界的。 因此，我们采用该值并将其转换为欧几里得分数从 *0* 到 *1* 的范围。 如果两个对象之间的欧几里得距离较大，则欧几里得分数应较低，因为低分数表明对象不相似。 因此，欧几里得距离与欧几里得分数成反比。
 

docs/ai-py/09.md

@@ -117,7 +117,7 @@ $ pip3 install logpy
 $ pip3 install sympy 
 ```
 
-如果在`logpy`的安装过程中出现错误，则可以从 [https://github.com/logpy/logpy](https://github.com/logpy/logpy) 的源代码安装它。 一旦成功安装了这些软件包，就可以继续进行下一部分的。
+如果在`logpy`的安装过程中出现错误，则可以从[这个页面](https://github.com/logpy/logpy)的源代码安装它。 一旦成功安装了这些软件包，就可以继续进行下一部分的。
 
 # 匹配的数学表达式
 

docs/ai-py/10.md

@@ -107,7 +107,7 @@ CSP 是数学上的问题，定义为一组必须满足一些约束的变量。
 
 让我们看看如何使用贪婪搜索解决问题。 在此问题中，我们将尝试根据字母重新创建输入字符串。 我们将要求算法搜索解决方案空间并构建解决方案的路径。
 
-在本章中，我们将使用名为`simpleai`的软件包。 它包含各种例程，这些例程可用于使用启发式搜索技术构建解决方案。 可在 [https://github.com/simpleai-team/simpleai](https://github.com/simpleai-team/simpleai) 上获得。 为了使它在 Python 3 中工作，我们需要对源代码进行一些更改。随同本书的代码一起提供了一个名为`simpleai.zip`的文件。 将此文件解压缩到名为`simpleai`的文件夹中。 此文件夹包含对原始库的所有必要更改，以使其能够在 Python 3 中工作。将`simpleai`文件夹与您的代码位于同一文件夹中，并将置于您的代码中 顺利。
+在本章中，我们将使用名为`simpleai`的软件包。 它包含各种例程，这些例程可用于使用启发式搜索技术构建解决方案。 可在[这个页面](https://github.com/simpleai-team/simpleai)上获得。 为了使它在 Python 3 中工作，我们需要对源代码进行一些更改。随同本书的代码一起提供了一个名为`simpleai.zip`的文件。 将此文件解压缩到名为`simpleai`的文件夹中。 此文件夹包含对原始库的所有必要更改，以使其能够在 Python 3 中工作。将`simpleai`文件夹与您的代码位于同一文件夹中，并将置于您的代码中 顺利。
 
 创建一个新的 Python 文件并导入以下软件包：
 
@@ -488,7 +488,7 @@ if __name__=='__main__':
 
 # 构建 8 难题求解器
 
-8 拼图是 15 拼图的变体。 您可以在 [https://en.wikipedia.org/wiki/15_puzzle 上进行检查。](https://en.wikipedia.org/wiki/15_puzzle.) 您将看到一个随机的网格，目标是将其恢复为原始的有序配置。 您可以在 [http://mypuzzle.org/sliding](http://mypuzzle.org/sliding) 上玩游戏以熟悉。
+8 拼图是 15 拼图的变体。 您可以在[这个页面](https://en.wikipedia.org/wiki/15_puzzle)上进行检查。 您将看到一个随机的网格，目标是将其恢复为原始的有序配置。 您可以在[这个页面](http://mypuzzle.org/sliding)上玩游戏以熟悉。
 
 我们将使用和 **A *算法**解决此问题。 它是一种算法，用于在图中找到解决方案的路径。 该算法是 **Dijkstra 算法**和贪婪最佳优先搜索的组合。 A *算法不会盲目猜测下一步该怎么做，而是选择看起来最有前途的算法。 在每个节点上，生成所有可能性的列表，然后选择达到目标所需的最低成本的可能性。
 

docs/ai-py/11.md

@@ -68,7 +68,7 @@
 
 # 生成具有预定义参数的位模式
 
-现在我们知道了 GA 的基本概念，下面让我们看看如何使用它来解决一些问题。 我们将使用一个名为`DEAP`的 Python 包。 您可以在 [http://deap.readthedocs.io/en/master](http://deap.readthedocs.io/en/master) 中找到的所有详细信息。 让我们继续运行以下命令来安装它：
+现在我们知道了 GA 的基本概念，下面让我们看看如何使用它来解决一些问题。 我们将使用一个名为`DEAP`的 Python 包。 您可以在[这个页面](http://deap.readthedocs.io/en/master)中找到的所有详细信息。 让我们继续运行以下命令来安装它：
 
 ```py
 $ pip3 install deap 
@@ -1144,7 +1144,7 @@ NaturalMotion 是由前牛津研究人员 Torsten Reil 和 Colm Massey 创立的
 
 Endorphin 在电影*《王者归来》* 中首次亮相，这是用来使特别棘手的特技栩栩如生的电影。 但这仅仅是开始。 几个月后，该公司的机器人在 Ilium 平原上战斗致死，摔倒了沃尔夫冈·彼得森（Wolfgang Petersen）的电影 *Troy* 并摔倒了匕首。
 
-来源： [https://www.naturalmotion.com/](https://www.naturalmotion.com/ )
+来源： <https://www.naturalmotion.com/>
 
 **电脑游戏**
 
@@ -1152,7 +1152,7 @@ Endorphin 在电影*《王者归来》* 中首次亮相，这是用来使特别
 
 威尔逊令人信服地证明，GP 可以产生可比的令人印象深刻的结果，甚至可能比深度学习更好。
 
-来源： [https://github.com/d9w](https://github.com/d9w )
+来源： <https://github.com/d9w>
 
 **文件压缩**
 

docs/ai-py/13.md

@@ -56,9 +56,7 @@ Alpha-Beta 修剪中的 Alpha 和 Beta 参数是指计算过程中使用的两
 
 # 安装 easyAI 库
 
-在本章中，我们将使用名为`easyAI`的库。 这是一个人工智能框架，它提供了构建两人游戏所需的所有功能。 您可以在此处了解的更多信息：
-
-[http://zulko.github.io/easyAI](http://zulko.github.io/easyAI )
+在本章中，我们将使用名为`easyAI`的库。 这是一个人工智能框架，它提供了构建两人游戏所需的所有功能。 [您可以在此处了解的更多信息](http://zulko.github.io/easyAI)。
 
 通过运行以下命令进行安装：
 
@@ -66,9 +64,7 @@ Alpha-Beta 修剪中的 Alpha 和 Beta 参数是指计算过程中使用的两
 $ pip3 install easyAI 
 ```
 
-为了使用某些预建例程，需要访问某些文件。 为了易于使用，本书随附的代码包含一个名为`easyAI`的文件夹。 确保将此文件夹放置在与代码文件相同的文件夹中。 此文件夹基本上是`easyAI` GitHub 存储库的子集，可在此处找到：
-
-[https://github.com/Zulko/easyAI](https://github.com/Zulko/easyAI )
+为了使用某些预建例程，需要访问某些文件。 为了易于使用，本书随附的代码包含一个名为`easyAI`的文件夹。 确保将此文件夹放置在与代码文件相同的文件夹中。 此文件夹基本上是`easyAI` GitHub 存储库的子集，[可在此处找到](https://github.com/Zulko/easyAI)。
 
 您可以遍历源代码以使自己更加熟悉。
 

docs/ai-py/14.md

@@ -106,7 +106,7 @@ plt.show()
 
 为了分析音频信号，我们需要了解基本的频率成分。 这使我们能够洞悉如何从该信号中提取有意义的信息。 音频信号由频率，相位和幅度不同的正弦波混合而成。
 
-如果我们剖析频率分量，我们可以识别很多特征。 任何给定的音频信号的特征在于其在频谱中的分布。 为了将时域信号转换为频域，我们需要使用数学工具，例如**傅里叶变换**。 如果您需要快速学习傅立叶变换，请查看以下链接： [http://www.thefouriertransform.com](http://www.thefouriertransform.com) 。 让我们看看如何将音频信号从时域转换到频域。
+如果我们剖析频率分量，我们可以识别很多特征。 任何给定的音频信号的特征在于其在频谱中的分布。 为了将时域信号转换为频域，我们需要使用数学工具，例如**傅里叶变换**。 如果您需要快速学习傅立叶变换，[请查看以下链接](http://www.thefouriertransform.com)。 让我们看看如何将音频信号从时域转换到频域。
 
 创建一个新的 Python 文件并导入以下软件包：
 
@@ -309,7 +309,7 @@ plt.show()
 
 # 合成音调以产生音乐
 
-前面的部分介绍了如何生成简单的单调，但意义不大。 它只是信号中的单个频率。 让我们使用该原理通过将不同的音调拼接在一起来合成音乐。 我们将使用诸如 *A* ， *C* ， *G* 和 *F* 之类的标准音来生成音乐。 为了查看这些标准音调的频率映射，请查看以下链接： [http://www.phy.mtu.edu/~suits/notefreqs.html](http://www.phy.mtu.edu/~suits/notefreqs.html) 。
+前面的部分介绍了如何生成简单的单调，但意义不大。 它只是信号中的单个频率。 让我们使用该原理通过将不同的音调拼接在一起来合成音乐。 我们将使用诸如 *A* ， *C* ， *G* 和 *F* 之类的标准音来生成音乐。 为了查看这些标准音调的频率映射，[请查看以下链接](http://www.phy.mtu.edu/~suits/notefreqs.html)。
 
 让我们使用此信息来生成音乐信号。
 
@@ -457,13 +457,9 @@ if __name__=='__main__':
 
 我们学习了如何将时域信号转换为频域。 频域功能已在所有语音识别系统中广泛使用。 我们之前讨论的概念是对该概念的介绍，但实际的频域功能要复杂一些。 将信号转换到频域后，我们需要确保以特征向量的形式使用该信号。 这就是 **Mel 频率倒谱系数**（ **MFCC** ）的概念。 MFCC 是工具，用于从 g 偶数音频信号中提取频域特征。
 
-为了从音频信号中提取频率特征，MFCC 首先提取功率谱。 然后，它使用滤波器组和**离散余弦变换**（ **DCT** ）提取特征。 如果您有兴趣进一步研究 MFCC，请查看以下链接：
+为了从音频信号中提取频率特征，MFCC 首先提取功率谱。 然后，它使用滤波器组和**离散余弦变换**（ **DCT** ）提取特征。 如果您有兴趣进一步研究 MFCC，[请查看以下链接](http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs)。
 
-[http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs](http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs )
-
-我们将使用一个名为`python_speech_features`的程序包来提取 MFCC 功能。 该软件包在这里可用：
-
-[http://python-speech-features.readthedocs.org/en/latest](http://python-speech-features.readthedocs.org/en/latest )
+我们将使用一个名为`python_speech_features`的程序包来提取 MFCC 功能。 [该软件包在这里可用](http://python-speech-features.readthedocs.org/en/latest)。
 
 为了易于使用，相关的文件夹已包含在代码包中。 您将在代码包中看到一个名为`features`的文件夹，其中包含使用此软件包所需的文件。 让我们看看如何提取 MFCC 功能。
 
@@ -564,9 +560,9 @@ plt.show()
 
 现在已经学习了分析语音信号的所有技术，让我们继续学习如何识别语音。 语音识别系统将音频信号作为输入并识别正在说的单词。 **隐藏的马尔可夫模型**（ **HMM** ）将用于此任务。
 
-正如我们在上一章中讨论的那样，HMM 非常适合分析顺序数据。 音频信号是时间序列信号，是顺序数据的体现。 假定输出是由系统经过一系列隐藏状态生成的。 我们的目标是找出这些隐藏状态是什么，以便我们可以识别信号中的单词。 如果您有兴趣深入研究，请查看以下链接： [https://web.stanford.edu/~jurafsky/slp3/A.pdf](https://web.stanford.edu/~jurafsky/slp3/A.pdf) 。
+正如我们在上一章中讨论的那样，HMM 非常适合分析顺序数据。 音频信号是时间序列信号，是顺序数据的体现。 假定输出是由系统经过一系列隐藏状态生成的。 我们的目标是找出这些隐藏状态是什么，以便我们可以识别信号中的单词。 如果您有兴趣深入研究，[请查看以下链接](https://web.stanford.edu/~jurafsky/slp3/A.pdf)。
 
-我们将使用名为`hmmlearn`的程序包来构建我们的语音识别系统。 您可以在此处了解更多信息： [http://hmmlearn.readthedocs.org/en/latest](http://hmmlearn.readthedocs.org/en/latest) 。
+我们将使用名为`hmmlearn`的程序包来构建我们的语音识别系统。 [您可以在此处了解更多信息](http://hmmlearn.readthedocs.org/en/latest)。
 
 您可以通过运行以下命令来安装软件包：
 
@@ -574,7 +570,7 @@ plt.show()
 $ pip3 install hmmlearn 
 ```
 
-为了训练我们的语音识别系统，我们需要每个单词的音频文件数据集。 我们将使用 [https://code.google.com/archive/p/hmm-speech-recognition/downloads](https://code.google.com/archive/p/hmm-speech-recognition/downloads) 上可用的数据库。
+为了训练我们的语音识别系统，我们需要每个单词的音频文件数据集。 我们将使用[这个页面](https://code.google.com/archive/p/hmm-speech-recognition/downloads)上可用的数据库。
 
 为了易于使用，在代码包中为您提供了一个名为`data`的文件夹，其中包含所有这些文件。 该数据集包含七个不同的单词。 每个词都有一个与之关联的文件夹，每个文件夹有 15 个音频文件。
 

docs/ai-py/15.md

@@ -33,7 +33,7 @@
 $ pip3 install nltk 
 ```
 
-您可以在 [http://www.nltk.org](http://www.nltk.org) 上找到有关 NLTK 的更多信息。
+您可以在[这个页面](http://www.nltk.org)上找到有关 NLTK 的更多信息。
 
 为了访问 NLTK 提供的所​​有数据集，我们需要下载它。 通过键入以下内容打开 Python Shell：
 
@@ -60,7 +60,7 @@ $ pip3 install gensim
 $ pip3 install pattern 
 ```
 
-您可以在 [https://radimrehurek.com/gensim](https://radimrehurek.com/gensim) 上找到有关 gensim 的更多信息。 现在，您已经安装了 NLTK 和`gensim`，让我们继续进行 Discu 会话。
+您可以在[这个页面](https://radimrehurek.com/gensim)上找到有关 gensim 的更多信息。 现在，您已经安装了 NLTK 和`gensim`，让我们继续进行 Discu 会话。
 
 # 标记文本数据
 

docs/ai-py/16.md

@@ -51,9 +51,7 @@
 
 对于一般的 AI 尤其是聊天机器人，持续不断的发展在伦理上的影响是一个不变的话题。 随着聊天机器人变得越来越好，越来越像人类，当我们与聊天机器人而不是人类聊天时，监管机构可能会迫使企业披露信息。 这可能不是一个坏规则。 但是，我们可能会达到这样的地步：聊天机器人是如此出色，以至于尽管在一开始就进行了披露，但我们很快就会忘记，另一端是一台计算机，而不是理解我们并同情我们的人。
 
-Google Duplex 是一个很好的聊天机器人听起来很自然的有力例子。 您应该可以在此处观看它的演示：
-
-[https://www.youtube.com/watch?v=D5VN56jQMWM](https://www.youtube.com/watch?v=D5VN56jQMWM )
+Google Duplex 是一个很好的聊天机器人听起来很自然的有力例子。 [您应该可以在此处观看它的演示](https://www.youtube.com/watch?v=D5VN56jQMWM)。
 
 顺便说一下，这项技术通常是可用的，如果您有 Android 手机或 iPhone，则应该可以使用它。
 
@@ -213,9 +211,9 @@ Google 在机器学习和**自然语言处理**（ **NLP** ）中有着广泛的
 
 **入门步骤**
 
-1.  使用 Google 帐户在 [https://dialogflow.com](https://dialogflow.com) 免费注册。
+1.  使用 Google 帐户在[这里](https://dialogflow.com)免费注册。
 2.  为了使聊天机器人正常工作，您需要接受 DialogFlow 所请求的所有权限。 这样，您就可以管理 GCP 服务中的数据，并与 Google 助手集成。
-3.  您可以通过 [https://console.dialogflow.com](https://console.dialogflow.com) 访问 DialogFlow 控制台。
+3.  您可以通过[这里](https://console.dialogflow.com)访问 DialogFlow 控制台。
 4.  最后，通过选择主要语言（以后可以添加其他语言）和 Google Project 标识符来创建新代理。 要启用结算和其他设置，需要使用 Google Cloud Console 中的项目名称。 如果您没有现有项目，请不要担心：创建一个新项目。
 
 现在您已经注册并可以使用，让我们开始设置 DialogFlow。
@@ -330,9 +328,7 @@ print("Fulfillment text:",
 $ pip3 install Flask 
 ```
 
-要了解有关 Flask 的更多信息，您可以访问：
-
-[https://pypi.org/project/Flask](https://pypi.org/project/Flask )
+要了解有关 Flask 的更多信息，[您可以访问这里](https://pypi.org/project/Flask)。
 
 **使用 Flask** 创建 Webhook
 
@@ -362,9 +358,7 @@ if __name__ == '__main__':
 $ python app.py or FLASK_APP=hello.py flask run 
 ```
 
-如果您看到前面的输出，这将确认该应用程序的初始版本正在运行。 到目前为止，我们仅使用本地服务器，因此其他外部客户端无法通过 Internet 访问该服务器。 要将其集成为 DialogFlow 的 Webhook，我们需要将其部署在可以通过 Internet 访问的服务器上。 那就是 ngrok 工具出现的地方。可以在这里下载该工具：
-
-[https://ngrok.io](https://ngrok.io )
+如果您看到前面的输出，这将确认该应用程序的初始版本正在运行。 到目前为止，我们仅使用本地服务器，因此其他外部客户端无法通过 Internet 访问该服务器。 要将其集成为 DialogFlow 的 Webhook，我们需要将其部署在可以通过 Internet 访问的服务器上。 那就是 ngrok 工具出现的地方。[可以在这里下载该工具](https://ngrok.io)。
 
 要运行 ngrok，请使用以下命令：