fix

docs/2.一个完整的机器学习项目.md

@@ -150,10 +150,10 @@ RMSE 和 MAE 都是测量预测值和目标值两个向量距离的方法。有
 
 接下来，需要为你的机器学习代码和数据集创建工作空间目录。打开一个终端，输入以下命令（在提示符`$`之后）：
 
-```
-$ export ML_PATH="$HOME/ml"      # 可以更改路径
-$ mkdir -p $ML_PATH
-```
+<pre>
+&#x24; export ML_PATH="&#x24;HOME/ml"      # 可以更改路径
+&#x24; mkdir -p &#x24;ML_PATH
+</pre>
 
 还需要一些 Python 模块：Jupyter、NumPy、Pandas、Matplotlib 和 Scikit-Learn。如果所有这些模块都已经在 Jupyter 中运行了，你可以直接跳到下一节“下载数据”。如果还没安装，有多种方法可以进行安装（包括它们的依赖）。你可以使用系统的包管理系统（比如 Ubuntu 上的`apt-get`，或 macOS 上的 MacPorts 或 HomeBrew），安装一个 Python 科学计算环境比如 Anaconda，使用 Anaconda 的包管理系统，或者使用 Python 自己的包管理器`pip`，它是 Python 安装包（自从 2.7.9 版本）自带的。可以用下面的命令检测是否安装`pip`：
 
@@ -187,23 +187,11 @@ Successfully installed pip-9.0.1
 > 
 > 现在可以通过下面命令创建一个独立的 Python 环境：
 > 
-> ```
-> $ cd $ML_PATH
-> $ virtualenv env
-> Using base prefix '[...]'
-> New python executable in [...]/ml/env/bin/python3.5
-> Also creating executable in [...]/ml/env/bin/python
-> Installing setuptools, pip, wheel...done.
-> 
-> ```
+> <pre>&#x24; cd &#x24;ML_PATH<br />&#x24; virtualenv env<br />Using base prefix '[...]'<br />New python executable in [...]/ml/env/bin/python3.5<br />Also creating executable in [...]/ml/env/bin/python<br />Installing setuptools, pip, wheel...done.</pre>
 > 
 > 以后每次想要激活这个环境,只需打开一个终端然后输入：
 > 
-> ```
-> $ cd $ML_PATH
-> $ source env/bin/activate
-> 
-> ```
+> <pre>&#x24; cd &#x24;ML_PATH<br />&#x24; source env/bin/activate</pre>
 > 
 > 启动该环境时，使用`pip`安装的任何包都只安装于这个独立环境中，Python 指挥访问这些包（如果你希望 Python 能访问系统的包，创建环境时要使用包选项`--system-site`）。更多信息，请查看`virtualenv`文档。