fixing path issues

1-Introduction/4-techniques-of-ML/translations/README.zh-cn.md

@@ -46,14 +46,14 @@
 🎓 **特征选择和特征提取** 构建模型时如何知道选择哪个变量？你可能会经历一个特征选择或特征提取的过程，以便为性能最好的模型选择正确的变量。然而，它们不是一回事：“特征提取是从基于原始特征的函数中创建新特征，而特征选择返回特征的一个子集。”（[来源](https://wikipedia.org/wiki/Feature_selection)）
 ### 可视化数据
 
-数据科学家工具包的一个重要方面是能够使用多个优秀的库（例如 Seaborn 或 MatPlotLib）将数据可视化。直观地表示你的数据可能会让你发现可以利用的隐藏关联。 你的可视化还可以帮助你发现偏见或不平衡的数据（正如我们在 [分类](../../4-Classification/2-Classifiers-1/README.md)中发现的那样）。
+数据科学家工具包的一个重要方面是能够使用多个优秀的库（例如 Seaborn 或 MatPlotLib）将数据可视化。直观地表示你的数据可能会让你发现可以利用的隐藏关联。 你的可视化还可以帮助你发现偏见或不平衡的数据（正如我们在 [分类](../../../4-Classification/2-Classifiers-1/README.md)中发现的那样）。
 ### 拆分数据集
 
 在训练之前，你需要将数据集拆分为两个或多个大小不等但仍能很好地代表数据的部分。
 
 - **训练**。这部分数据集适合你的模型进行训练。这个集合构成了原始数据集的大部分。
 - **测试**。测试数据集是一组独立的数据，通常从原始数据中收集，用于确认构建模型的性能。
-- **验证**。验证集是一个较小的独立示例组，用于调整模型的超参数或架构，以改进模型。根据你的数据大小和你提出的问题，你可能不需要构建第三组（正如我们在[时间序列预测](../7-TimeSeries/1-Introduction/README.md)中所述）。 
+- **验证**。验证集是一个较小的独立示例组，用于调整模型的超参数或架构，以改进模型。根据你的数据大小和你提出的问题，你可能不需要构建第三组（正如我们在[时间序列预测](../../7-TimeSeries/1-Introduction/README.md)中所述）。 
 
 ## 建立模型 
 
@@ -77,7 +77,7 @@
 
 🎓 **欠拟合**和**过拟合**是降低模型质量的常见问题，因为模型拟合得不够好或太好。这会导致模型做出与其训练数据过于紧密对齐或过于松散对齐的预测。 过拟合模型对训练数据的预测太好，因为它已经很好地了解了数据的细节和噪声。欠拟合模型并不准确，因为它既不能准确分析其训练数据，也不能准确分析尚未“看到”的数据。
 
-![过拟合模型 ](images/overfitting.png)
+![过拟合模型 ](../images/overfitting.png)
 > 作者[Jen Looper](https://twitter.com/jenlooper)
 
 ## 参数调优 
@@ -104,7 +104,7 @@
 
 ## 任务
 
-[采访一名数据科学家](assignment.md)
+[采访一名数据科学家](../assignment.md)
 # 机器学习技术
 
 构建、使用和维护机器学习模型及其使用的数据的过程与许多其他开发工作流程截然不同。 在本课中，我们将揭开该过程的神秘面纱，并概述你需要了解的主要技术。 你会： 
@@ -142,9 +142,9 @@
 为了能够确定地回答你的问题，你需要大量正确类型的数据。 此时你需要做两件事： 
 
 - **收集数据**。记住之前关于数据分析公平性的课程，小心收集数据。请注意此数据的来源、它可能具有的任何固有偏见，并记录其来源。 
-- **准备数据**。数据准备过程有几个步骤。如果数据来自不同的来源，你可能需要整理数据并对其进行标准化。你可以通过各种方法提高数据的质量和数量，例如将字符串转换为数字（就像我们在[聚类](../../5-Clustering/1-Visualize/README.md)中所做的那样）。你还可以根据原始数据生成新数据（正如我们在[分类](../../4-Classification/1-Introduction/README.md)中所做的那样）。你可以清理和编辑数据（就像我们在 [Web App](../3-Web-App/README.md)课程之前所做的那样）。最后，你可能还需要对其进行随机化和打乱，具体取决于你的训练技术。
+- **准备数据**。数据准备过程有几个步骤。如果数据来自不同的来源，你可能需要整理数据并对其进行标准化。你可以通过各种方法提高数据的质量和数量，例如将字符串转换为数字（就像我们在[聚类](../../../5-Clustering/1-Visualize/README.md)中所做的那样）。你还可以根据原始数据生成新数据（正如我们在[分类](../../../4-Classification/1-Introduction/README.md)中所做的那样）。你可以清理和编辑数据（就像我们在 [Web App](../../3-Web-App/README.md)课程之前所做的那样）。最后，你可能还需要对其进行随机化和打乱，具体取决于你的训练技术。
 
-✅ 在收集和处理你的数据后，花点时间看看它的形状是否能让你解决你的预期问题。正如我们在[聚类](../../5-Clustering/1-Visualize/README.md)课程中发现的那样，数据可能在你的给定任务中表现不佳！
+✅ 在收集和处理你的数据后，花点时间看看它的形状是否能让你解决你的预期问题。正如我们在[聚类](../../../5-Clustering/1-Visualize/README.md)课程中发现的那样，数据可能在你的给定任务中表现不佳！
 
 ### 选择特征变量
 
@@ -153,14 +153,14 @@
 🎓 **特征选择和特征提取** 构建模型时如何知道选择哪个变量？你可能会经历一个特征选择或特征提取的过程，以便为性能最好的模型选择正确的变量。然而，它们不是一回事：“特征提取是从基于原始特征的函数中创建新特征，而特征选择返回特征的一个子集。”（[来源](https://wikipedia.org/wiki/Feature_selection)）
 ### 可视化数据
 
-数据科学家工具包的一个重要方面是能够使用多个优秀的库（例如 Seaborn 或 MatPlotLib）将数据可视化。直观地表示你的数据可能会让你发现可以利用的隐藏关联。 你的可视化还可以帮助你发现偏见或不平衡的数据（正如我们在 [分类](../../4-Classification/2-Classifiers-1/README.md)中发现的那样）。
+数据科学家工具包的一个重要方面是能够使用多个优秀的库（例如 Seaborn 或 MatPlotLib）将数据可视化。直观地表示你的数据可能会让你发现可以利用的隐藏关联。 你的可视化还可以帮助你发现偏见或不平衡的数据（正如我们在 [分类](../../../4-Classification/2-Classifiers-1/README.md)中发现的那样）。
 ### 拆分数据集
 
 在训练之前，你需要将数据集拆分为两个或多个大小不等但仍能很好地代表数据的部分。
 
 - **训练**。这部分数据集适合你的模型进行训练。这个集合构成了原始数据集的大部分。
 - **测试**。测试数据集是一组独立的数据，通常从原始数据中收集，用于确认构建模型的性能。
-- **验证**。验证集是一个较小的独立示例组，用于调整模型的超参数或架构，以改进模型。根据你的数据大小和你提出的问题，你可能不需要构建第三组（正如我们在[时间序列预测](../7-TimeSeries/1-Introduction/README.md)中所述）。 
+- **验证**。验证集是一个较小的独立示例组，用于调整模型的超参数或架构，以改进模型。根据你的数据大小和你提出的问题，你可能不需要构建第三组（正如我们在[时间序列预测](../../7-TimeSeries/1-Introduction/README.md)中所述）。 
 
 ## 建立模型 
 
@@ -184,7 +184,7 @@
 
 🎓 **欠拟合**和**过拟合**是降低模型质量的常见问题，因为模型拟合得不够好或太好。这会导致模型做出与其训练数据过于紧密对齐或过于松散对齐的预测。 过拟合模型对训练数据的预测太好，因为它已经很好地了解了数据的细节和噪声。欠拟合模型并不准确，因为它既不能准确分析其训练数据，也不能准确分析尚未“看到”的数据。
 
-![过拟合模型 ](images/overfitting.png)
+![过拟合模型 ](../images/overfitting.png)
 > 作者[Jen Looper](https://twitter.com/jenlooper)
 
 ## 参数调优 
@@ -211,4 +211,4 @@
 
 ## 任务
 
-[采访一名数据科学家](assignment.md)
+[采访一名数据科学家](../assignment.md)