diff --git a/17.md b/17.md
index 7e26b451a60ef1173b04821cecde5ad34237d561..4c1de680ab13b156542082ee972b0c3e31041a96 100644
--- a/17.md
+++ b/17.md
@@ -68,6 +68,8 @@ students.pivot('Major', 'Year')
 | Second | 30 | 30 |
 | Third | 32 | 8 |
 
+![](img/17-1.png)
+
 总人数为 100 人，其中二年级 60 人，三年级 40 人。 二年级中，每个专业类别有 50%。 三年级的 40 人中，20% 是未声明的，80% 已声明。 因此，这 100 人的比例和我们问题中的班级相同，我们可以假定，我们的学生是从 100 名学生中随机抽取的。
 
 我们必须选择学生最可能进入的那一行。当我们对这个学生一无所知时，他或她可能在四个单元格中的任何一个，因此更可能在第一行（二年级），因为那里包含更多的学生。
@@ -168,6 +170,8 @@ students.pivot('Major', 'Year')
 
 假设总体很大，疾病只占总体的一小部分。 下面的属性图总结了这种疾病的信息，以及它的医学检测。
 
+![](img/17-2.png)
+
 总的来说，只有千分之四的总体有这种疾病。 检测相当准确：假阳性几率非常小，为 5/1000，但是假阴性更大（尽管还是很小），为 1/100。
 
 个体可能知道也可能不知道他们是否患有这种疾病；通常情况下，人们会进行检测来确认他们是否拥有。
@@ -212,6 +216,8 @@ population(0.004).pivot('Test Result', 'True Condition')
 
 原因是，很大一部分人没有这种疾病。检测出假阳性的一小部分人比真阳性要多。 这在树形图中更容易可视化：
 
+![](img/17-2.png)
+
 真阳性的比例是总体一小部分（0.004）的很大一部分（0.99）。
 假阳性的比例是总体很大一部分（0.996）的一小部分（0.005）。
 这两个比例是可比的；第二个大一点。
@@ -234,6 +240,8 @@ population(0.004).pivot('Test Result', 'True Condition')
 
 假设医生的主观意见是，患者有 5% 的几率患病。那么树形图中的先验概率将会改变：
 
+![](img/17-3.png)
+
 鉴于病人检测为阳性，他或她有这种疾病的几率是由贝叶斯规则给出。
 
 ```py
diff --git a/img/17-1.png b/img/17-1.png
new file mode 100644
index 0000000000000000000000000000000000000000..90cf9b2284003b517e63b0bd590ba06b891615e7
Binary files /dev/null and b/img/17-1.png differ
diff --git a/img/17-2.png b/img/17-2.png
new file mode 100644
index 0000000000000000000000000000000000000000..0299b6dfdbf9857d82502543068008c4bafa6a7a
Binary files /dev/null and b/img/17-2.png differ
diff --git a/img/17-3.png b/img/17-3.png
new file mode 100644
index 0000000000000000000000000000000000000000..fa71965107f94d7c27e5f4ed2b1549b6793632f8
Binary files /dev/null and b/img/17-3.png differ