Update daily_report

competitions/getting-started/digit-recognizer/daily_report.md

@@ -1,3 +1,25 @@
+# 2018-03-18
+
+## @huangzijian
+
+1.	已完成
+
+	1. 群内大佬推荐了一个学习数学的网站 [数学乐](http://www.shuxuele.com/) 在上面看了微积分相关内容
+
+	2. 看了一下组内小伙伴推荐的 [深度学习的网站](http://zh.gluon.ai/) 教程很详细 非常适合我
+
+	3. [k-近邻算法](http://blog.csdn.net/xuelabizp/article/details/50931493) 
+
+	4. [图像分类与KNN](http://blog.csdn.net/han_xiaoyang/article/details/49949535)
+
+2. 下一步计划
+
+	1. 过一遍 [数据科学入门篇3：数据处理利器Pandas使用手册](https://zhuanlan.zhihu.com/p/25184830)
+
+	2. 详细阅读[kaggle数字识别V1](https://github.com/huangzijian888/kaggle/blob/dev/competitions/getting-started/digit-recognizer/README.md)流程和代码
+
+3.随笔
+
 
 # 2018-03-17
 
@@ -48,13 +70,21 @@
 ## @huangzijian
 
 1.	已完成	
+
 	1.	完成了[github相关操作](https://github.com/huangzijian888/knowledge/blob/master/doc/git%E6%93%8D%E4%BD%9C%E6%B5%81%E7%A8%8B.md)复习
+
 	2. 看了线性代数  学习了矩阵的运算 逆矩阵相关知识
+
 	3. 修改了昨天日报的格式 并补充了kaggle-learn上machine learnign的超链接(强烈推荐像我一样的新手阅读)
+
 2. 下一步计划
+
 	1. 查找国外优秀微积分、线性代数、概率论教材 为后续阅读作准备
+
 	2. 查阅knn相关资料
+
 3. 随笔
+
 	1. 真心觉得老外写的书、教程非常nice 写的非常通俗易懂 写的让你有兴趣阅读
 
 
@@ -64,14 +94,21 @@
 ## @huangzijian
 
 1.	已完成
+
 	1. 在kaggle learn上刷完了[machine learning Leve1](https://www.kaggle.com/learn/machine-learning) 初步了解了决策树、随机森林算法
+
 	2. 接触了pandas、sklearn框架，并学习了几个简单函数
 
 2. 下一步计划
+
 	1. 学习二分类、数据降维知识
+
 	2. 复习git知识
+
 3. 随笔
+
 	1. 很早以前就听说加入开源组织能够学到很多，如今我的亲身经历告诉我这是真的。自从昨天加入这个项目，我接触到了很多大牛，也学到了一些前辈们的经验。
+
 	2. 终于能够静下心来阅读英文文档了。
 
 ## @hduyyg