README.md

@@ -11,6 +11,8 @@
 ## 配套资源
 视频教程：[https://www.bilibili.com/video/BV1Mh411e7VU](https://www.bilibili.com/video/BV1Mh411e7VU)
 
+组队学习：[https://www.datawhale.cn/learn/summary/2](https://www.datawhale.cn/learn/summary/2)
+
 在线阅读：[https://www.datawhale.cn/learn/summary/2](https://www.datawhale.cn/learn/summary/2)
 
 PDF版本下载：[https://github.com/datawhalechina/pumpkin-book/releases](https://github.com/datawhalechina/pumpkin-book/releases)

docs/chapter1/chapter1.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：1.5天
+
+本章配套视频教程：https://www.bilibili.com/video/BV1Mh411e7VU?p=2
+```
+
 # 第1章 绪论
 
 本章作为"西瓜书"的开篇，主要讲解什么是机器学习以及机器学习的相关数学符号，为后续内容作铺垫，并未涉及复杂的算法理论，因此阅读本章时只需耐心梳理清楚所有概念和数学符号即可。此外，在阅读本章前建议先阅读西瓜书目录前页的《主要符号表》，它能解答在阅读"西瓜书"过程中产生的大部分对数学符号的疑惑。

docs/chapter10/chapter10.md

@@ -1,3 +1,15 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：
+
+https://www.bilibili.com/video/BV1Mh411e7VU?p=15
+
+https://www.bilibili.com/video/BV1Mh411e7VU?p=16
+```
+
 # 第10章 降维与度量学习
 
 ## 10.1 预备知识

docs/chapter11/chapter11.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：https://www.bilibili.com/video/BV1Mh411e7VU?p=17
+```
+
 # 第11章 特征选择与稀疏学习
 
 ## 11.1 子集搜索与评价

docs/chapter2/chapter2.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：1.5天
+
+本章配套视频教程正在赶制中，先自行看书学习，第2章严格来说是在学完具体机器学习算法（第3章及其以后章节的内容）后再来学的，因此本章能看懂多少就看多少，只需看到2.3.2即可，【2.3.3-ROC与AUC】及其以后的暂时都可以跳过，等学完后面的算法再回来认真研读。
+```
+
 # 第2章 模型评估与选择
 
 如"西瓜书"前言所述，本章仍属于机器学习基础知识，如果说第1章介绍了什么是机器学习及机器学习的相关数学符号，那么本章则进一步介绍机器学习的相关概念。具体来说，介绍内容正如本章名称"模型评估与选择"所述，讲述的是如何评估模型的优劣和选择最适合自己业务场景的模型。

docs/chapter3/chapter3.md

@@ -1,3 +1,19 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：线性回归3天+对数几率回归3天+线性判别分析3天，共计9天
+
+本章配套视频教程：
+
+一元线性回归：https://www.bilibili.com/video/BV1Mh411e7VU?p=3
+
+多元线性回归：https://www.bilibili.com/video/BV1Mh411e7VU?p=4
+
+对数几率回归：https://www.bilibili.com/video/BV1Mh411e7VU?p=5
+
+线性判别分析：https://www.bilibili.com/video/BV1Mh411e7VU?p=6
+```
+
 # 第3章 线性模型
 
 作为"西瓜书"介绍机器学习模型的开篇，线性模型也是机器学习中最为基础的模型，很多复杂模型均可认为由线性模型衍生而得，无论是曾经红极一时的支持向量机还是如今万众瞩目的神经网络，其中都有线性模型的影子。

docs/chapter4/chapter4.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：https://www.bilibili.com/video/BV1Mh411e7VU?p=7
+```
+
 # 第4章 决策树
 
 本章的决策树算法背后没有复杂的数学推导，其更符合人类日常思维方式，理解起来也更为直观，其引入的数学工具也仅是为了让该算法在计算上可行，同时"西瓜书"在本章列举了大量例子，因此本章的算法会更为通俗易懂。

docs/chapter5/chapter5.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：https://www.bilibili.com/video/BV1Mh411e7VU?p=8
+```
+
 # 第5章 神经网络
 
 神经网络类算法可以堪称当今最主流的一类机器学习算法，其本质上和前几章讲到的线性回归、对数几率回归、决策树等算法一样均属于机器学习算法，也是被发明用来完成分类和回归等任务。不过由于神经网络类算法在如今超强算力的加持下效果表现极其出色，且从理论角度来说神经网络层堆叠得越深其效果越好，因此也单独称用深层神经网络类算法所做的机器学习为深度学习，属于机器学习的子集。

docs/chapter6/chapter6.md

@@ -1,3 +1,15 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：
+
+支持向量机：https://www.bilibili.com/video/BV1Mh411e7VU?p=9
+
+软间隔与支持向量回归：https://www.bilibili.com/video/BV1Mh411e7VU?p=10
+```
+
 # 第6章 支持向量机
 
 在深度学习流行之前，支持向量机及其核方法一直是机器学习领域中的主流算法，尤其是核方法至今都仍有相关学者在持续研究。

docs/chapter7/chapter7.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：https://www.bilibili.com/video/BV1Mh411e7VU?p=11
+```
+
 # 第7章 贝叶斯分类器
 
 本章是从概率框架下的贝叶斯视角给出机器学习问题的建模方法，不同于前几章着重于算法具体实现，本章的理论性会更强。朴素贝叶斯算法常用于文本分类，例如用于广告邮件检测，贝叶斯网和EM算法均属于概率图模型的范畴，因此可合并至第14章一起学习。

docs/chapter8/chapter8.md

@@ -1,3 +1,15 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：
+
+https://www.bilibili.com/video/BV1Mh411e7VU?p=12
+
+https://www.bilibili.com/video/BV1Mh411e7VU?p=13
+```
+
 # 第8章 集成学习
 
 集成学习(ensemble

docs/chapter9/chapter9.md

@@ -1,3 +1,11 @@
+```{important}
+参与组队学习的同学须知：
+
+本章学习时间：3天
+
+本章配套视频教程：https://www.bilibili.com/video/BV1Mh411e7VU?p=14
+```
+
 # 第9章 聚类
 
 到目前为止，前面章节介绍的方法都是针对监督学习(supervised