diff --git a/MachineLearningFundamentals/readme.md b/MachineLearningFundamentals/readme.md
index a97ac6a..5c1f18d 100644
--- a/MachineLearningFundamentals/readme.md
+++ b/MachineLearningFundamentals/readme.md
@@ -1,7 +1,282 @@
-# 简介
-
-我们尽快把该课程组队学习的优秀作业整理出来，供大家学习参考。
+# 机器学习算法基础（上）
 
+## 基本信息
+
+- 学习周期：11天，每天平均花费时间3小时-5小时不等，根据个人学习接受能力强弱有所浮动。
+- 学习形式：理论学习 + 练习
+- 人群定位：有概率论、矩阵运算、求导、泰勒展开等基础数学知识。
+- 先修内容：[Python编程语言](https://github.com/datawhalechina/team-learning-program/tree/master/Python-Language)，[概率统计](https://github.com/datawhalechina/team-learning-data-mining/tree/master/ProbabilityStatistics)
+- 难度系数：中
+
+## 任务安排
+
+### Task01：机器学习概述（1天）
+
+<b>理论部分</b>
+
+- 机器学习介绍：机器学习是什么，怎么来的，理论基础是什么，为了解决什么问题。
+- 机器学习分类：
+    - 按学习方式分：有监督、无监督、半监督 
+    - 按任务类型分：回归、分类、聚类、降维 生成模型与判别模型
+- 机器学习方法三要素：
+    - **模型** 
+    - **策略**：损失函数 
+    - **算法**：梯度下降法、牛顿法、拟牛顿法
+    - 模型评估指标：R2、RMSE、accuracy、precision、recall、F1、ROC、AUC、Confusion Matrix 
+    - 复杂度度量：偏差与方差、过拟合与欠拟合、结构风险与经验风险、泛化能力、正则化 
+    - 模型选择：正则化、交叉验证 
+    - 采样：样本不均衡 
+    - 特征处理：归一化、标准化、离散化、one-hot编码 
+    - 模型调优：网格搜索寻优、随机搜索寻优
+
+
+
+### Task02：线性回归（2天）
+
+<b>理论部分</b>
+
+- 模型建立：线性回归原理、线性回归模型
+- 学习策略：线性回归损失函数、代价函数、目标函数
+- 算法求解：梯度下降法、牛顿法、拟牛顿法等
+- 线性回归的评估指标
+- sklearn参数详解
+
+
+<b>练习部分</b>
+
+
+- 基于线性回归的房价预测问题
+- 利用`sklearn`解决回归问题
+- `sklearn.linear_model.LinearRegression`
+
+
+### Task03：逻辑回归（2天）
+
+<b>理论部分</b>
+
+- 逻辑回归与线性回归的联系与区别
+- 模型建立：逻辑回归原理、逻辑回归模型
+- 学习策略：逻辑回归损失函数、推导及优化
+- 算法求解：批量梯度下降
+- 正则化与模型评估指标
+- 逻辑回归的优缺点
+- 样本不均衡问题
+- sklearn参数详解
+
+
+<b>练习部分</b>
+
+
+- 利用`sklearn`解决分类问题
+- `sklearn.linear_model.LogisticRegression`
+- 利用梯度下降法将相同的数据分类，画图和sklearn的结果相比较
+- 利用牛顿法实现结果，画图和sklearn的结果相比较，并比较牛顿法和梯度下降法迭代收敛的次数
+
+
+### Task04：决策树（2天）
+
+<b>理论部分</b>
+
+- 特征选择：信息增益（熵、联合熵、条件熵）、信息增益比、基尼系数
+- 决策树生成：ID3决策树、C4.5决策树、CART决策树（CART分类树、CART回归树）
+- 决策树剪枝
+- sklearn参数详解
+
+<b>练习部分</b>
+
+
+- 利用`sklearn`解决分类问题和回归预测。
+- `sklearn.tree.DecisionTreeClassifier`
+- `sklearn.tree.DecisionTreeRegressor`
+
+
+### Task05：聚类（2天）
+<b>理论部分</b>
+
+- 相关概念
+    - 无监督学习
+    - 聚类的定义
+- 常用距离公式
+    - 曼哈顿距离
+    - 欧式距离
+    - 闵可夫斯基距离
+    - 切比雪夫距离
+    - 夹角余弦
+    - 汉明距离
+    - 杰卡德相似系数
+    - 杰卡德距离
+- K-Means聚类：聚类过程和原理、算法流程、算法优化（k-means++、Mini Batch K-Means）
+- 层次聚类：Agglomerative Clustering过程和原理
+- 密度聚类：DBSCAN过程和原理
+- 谱聚类：谱聚类原理（邻接矩阵、度矩阵、拉普拉斯矩阵、RatioCut、Ncut）和过程
+- 高斯混合聚类：GMM过程和原理、EM算法原理、利用EM算法估计高斯混合聚类参数
+- sklearn参数详解
+
+<b>练习部分</b>
+
+
+- 利用`sklearn`解决聚类问题。
+- `sklearn.cluster.KMeans`
+
+
+### Task06：朴素贝叶斯（2天）
+<b>理论部分</b>
+- 相关概念
+    - 生成模型
+    - 判别模型
+- 朴素贝叶斯基本原理
+    - 条件概率公式
+    - 乘法公式
+    - 全概率公式
+    - 贝叶斯定理
+    - 特征条件独立假设
+    - 后验概率最大化
+    - 拉普拉斯平滑
+- 朴素贝叶斯的三种形式
+    - 高斯型
+    - 多项式型
+    - 伯努利型
+- 极值问题情况下的每个类的分类概率
+- 下溢问题如何解决
+- 零概率问题如何解决
+- sklearn参数详解
+
+<b>练习部分</b>
+
+
+- 利用`sklearn`解决聚类问题。
+- `sklearn.naive_bayes.GaussianNB`
+
+
+---
+# 机器学习算法基础（下）
+
+## 基本信息
+
+- 学习周期：10天，每天平均花费时间2小时-5小时不等，根据个人学习接受能力强弱有所浮动。
+- 学习形式：理论学习 + 练习
+- 人群定位：有概率论、矩阵运算、微积分、最优化理论等基础数学知识。
+- 先修内容：[Python编程语言](https://github.com/datawhalechina/team-learning-program/tree/master/Python-Language)，[概率统计](https://github.com/datawhalechina/team-learning-data-mining/tree/master/ProbabilityStatistics)
+- 难度系数：中
+
+
+
+
+## 任务安排
+
+### Task01：线性回归（2天）
+
+<b>理论部分</b>
+- 模型建立：线性回归原理、线性回归模型
+- 学习策略：线性回归损失函数、代价函数、目标函数
+- 算法求解：梯度下降法、牛顿法、拟牛顿法等
+- 线性回归的评估指标
+- sklearn参数详解
+
+
+<b>练习部分</b>
+
+- 基于线性回归的房价预测问题
+- 利用`sklearn`解决回归问题
+- `sklearn.linear_model.LinearRegression`
+
+
+### Task02：朴素贝叶斯（2天）
+<b>理论部分</b>
+- 相关概念
+    - 生成模型
+    - 判别模型
+- 朴素贝叶斯基本原理
+    - 条件概率公式
+    - 乘法公式
+    - 全概率公式
+    - 贝叶斯定理
+    - 特征条件独立假设
+    - 后验概率最大化
+    - 拉普拉斯平滑
+- 朴素贝叶斯的三种形式
+    - 高斯型
+    - 多项式型
+    - 伯努利型
+- 极值问题情况下的每个类的分类概率
+- 下溢问题如何解决
+- 零概率问题如何解决
+- sklearn参数详解
+
+<b>练习部分</b>
+
+- 利用`sklearn`解决聚类问题。
+- `sklearn.naive_bayes.GaussianNB`
+
+
+
+
+### Task03：EM算法（2天）
+<b>理论部分</b>
+- 相关概念
+    - 极大似然估计法
+    - 贝叶斯估计方法
+- EM基本原理
+    - E步
+    - M步
+    - 推导、证明
+    - 高斯混合分布
+
+
+<b>练习部分</b>
+
+- 算法实现
+
+
+
+### Task04：条件随机场（2天）
+<b>理论部分</b>
+- 前提：相关概念
+    - 马尔可夫过程
+    - 隐马尔科夫算法
+    - 
+- 条件随机场
+    - 转移特征和状态特征
+    - 矩阵形式
+- 条件随机场三问题
+    - 计算问题
+    - 学习问题
+    - 预测问题
+
+
+<b>练习部分</b>
+
+- 利用高维特比算法计算给定输入序列对应的最优输出序列
+
+
+### Task05：SVM（2天）
+<b>理论部分</b>
+- 概念：最大超平面
+- 数学知识：拉格朗日乘子
+- SVM 硬间隔优化公式
+- SVM 软间隔原理
+- 核函数
+
+选修 ： SMO 求解SVM
+
+<b>练习部分</b>
+
+- 算法实现
+
+
+
+---
+# 贡献人员
+
+
+姓名 | 博客|备注
+---|---|---
+肖然||中国科学院硕士
+谢文昕||上海交通大学博士
+高立业||太原理工大学硕士
+赵楠||福州大学硕士
+杨开漠 | [Github](https://github.com/km1994)|五邑大学计算机硕士
+张雨||复旦大学博士