diff --git a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/1_数据预处理_建筑能源利用率预测-checkpoint.ipynb b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/1_数据预处理_建筑能源利用率预测-checkpoint.ipynb
index f82790a..f90dc91 100644
--- a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/1_数据预处理_建筑能源利用率预测-checkpoint.ipynb
+++ b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/.ipynb_checkpoints/1_数据预处理_建筑能源利用率预测-checkpoint.ipynb
@@ -4,15 +4,19 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 建筑能源使用数据\n",
-    "[来源](https://github.com/WillKoehrsen/machine-learning-project-walkthrough)\n",
+    "## 介绍：机器学习项目第一部分\n",
     "\n",
     "### 项目目标\n",
     "* 确定能源之星评分数据集中的预测因素。\n",
     "* 使用提供的建筑能源数据开发模型，并预测建筑物的能源之星的得分（0-100的连续值）。\n",
     "* 解释模型结果。\n",
     "\n",
-    "基于项目目标，我们需要做的是一个回归模型。"
+    "建筑能源数据[来源](https://github.com/WillKoehrsen/machine-learning-project-walkthrough)\n",
+    "\n",
+    "* 监督问题：我们既有特征又有目标\n",
+    "* 回归问题：目标是一个连续变量，在本例中范围是0-100\n",
+    "\n",
+    "在训练过程中，我们希望模型学习特征和分数之间的关系，以便我们同时给出特征和答案。然后，为了测试模型的学习效果，我们在一个从未见过答案的测试集中对其进行评估！"
    ]
   },
   {
@@ -22,12 +26,12 @@
     "## 机器学习——工作流程\n",
     "1. 数据清洗与格式转换\n",
     "2. 探索性数据分析\n",
-    "3. 特征工程\n",
-    "4. 建立基础模型，尝试多种算法\n",
-    "5. 模型调参\n",
-    "6. 评估与测试\n",
-    "7. 解释模型\n",
-    "8. 提交答案\n",
+    "3. 特征工程与选择\n",
+    "4. 建立基础模型，比较多种模型性能指标\n",
+    "5. 模型超参数调参，针对问题进行优化\n",
+    "6. 在测试集上评估最佳模型\n",
+    "7. 尽可能解释模型结果\n",
+    "8. 得出结论，并提交答案\n",
     "\n",
     "这些过程并不是严格的从头到尾，可能在4建立模型时，发现1的数据清洗有问题，再回来做1，该项目包含3个notebook"
    ]
diff --git a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/1_数据预处理_建筑能源利用率预测.ipynb b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/1_数据预处理_建筑能源利用率预测.ipynb
index f82790a..f90dc91 100644
--- a/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/1_数据预处理_建筑能源利用率预测.ipynb
+++ b/机器学习竞赛实战_优胜解决方案/建筑能源利用率预测/1_数据预处理_建筑能源利用率预测.ipynb
@@ -4,15 +4,19 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## 建筑能源使用数据\n",
-    "[来源](https://github.com/WillKoehrsen/machine-learning-project-walkthrough)\n",
+    "## 介绍：机器学习项目第一部分\n",
     "\n",
     "### 项目目标\n",
     "* 确定能源之星评分数据集中的预测因素。\n",
     "* 使用提供的建筑能源数据开发模型，并预测建筑物的能源之星的得分（0-100的连续值）。\n",
     "* 解释模型结果。\n",
     "\n",
-    "基于项目目标，我们需要做的是一个回归模型。"
+    "建筑能源数据[来源](https://github.com/WillKoehrsen/machine-learning-project-walkthrough)\n",
+    "\n",
+    "* 监督问题：我们既有特征又有目标\n",
+    "* 回归问题：目标是一个连续变量，在本例中范围是0-100\n",
+    "\n",
+    "在训练过程中，我们希望模型学习特征和分数之间的关系，以便我们同时给出特征和答案。然后，为了测试模型的学习效果，我们在一个从未见过答案的测试集中对其进行评估！"
    ]
   },
   {
@@ -22,12 +26,12 @@
     "## 机器学习——工作流程\n",
     "1. 数据清洗与格式转换\n",
     "2. 探索性数据分析\n",
-    "3. 特征工程\n",
-    "4. 建立基础模型，尝试多种算法\n",
-    "5. 模型调参\n",
-    "6. 评估与测试\n",
-    "7. 解释模型\n",
-    "8. 提交答案\n",
+    "3. 特征工程与选择\n",
+    "4. 建立基础模型，比较多种模型性能指标\n",
+    "5. 模型超参数调参，针对问题进行优化\n",
+    "6. 在测试集上评估最佳模型\n",
+    "7. 尽可能解释模型结果\n",
+    "8. 得出结论，并提交答案\n",
     "\n",
     "这些过程并不是严格的从头到尾，可能在4建立模型时，发现1的数据清洗有问题，再回来做1，该项目包含3个notebook"
    ]