docs: polish talkingdata_demo.md

docs/zh/use_case/talkingdata_demo.md

@@ -1,79 +1,65 @@
 # TalkingData 广告欺诈检测（OpenMLDB + XGboost）
 
-我们将演示如何使用 [OpenMLDB](https://github.com/4paradigm/OpenMLDB) 与其他开源软件一起开发一个完整的机器学习应用程序，完成 TalkingData 广告欺诈检测挑战（有关此挑战的更多信息请参阅 [Kaggle](https://www.kaggle.com/c/talkingdata-adtracking-fraud-detection/overview)）。
+本文将演示如何使用 OpenMLDB 与开源软件 XGboost 联合开发一个完整的机器学习应用，完成 [TalkingData 广告欺诈检测挑战](https://www.kaggle.com/c/talkingdata-adtracking-fraud-detection/overview)。
 
+## 准备
 
+本文基于 OpenMLDB CLI 进行开发和部署，首先需要下载样例数据并且启动 OpenMLDB CLI。推荐使用 Docker 镜像来快速体验。
 
+- Docker 版本：>= 18.03
 
-## 1 准备工作
+### 拉取镜像
 
-### 1.1 下载并安装OpenMLDB
+在命令行执行以下命令拉取 OpenMLDB 镜像，并启动 Docker 容器，OpenMLDB 和依赖项都已安装：
 
-#### 1.1.1 在 Docker 中运行
-
-我们建议您使用docker来运行此 Demo。OpenMLDB 和依赖项都已安装完毕。
-
-**启动 Docker**
-
-```
+```bash
 docker run -it 4pdosc/openmldb:0.7.1 bash
 ```
 
-#### 1.1.2 在本地运行
+### 准备数据
 
-下载 OpenMLDB 服务器 pkg，版本>=0.5.0。
+本例使用 `train.csv` 的前 10000 行作为示例数据，详情请参见代码 [train\_sample.csv](https://github.com/4paradigm/OpenMLDB/tree/main/demo/talkingdata-adtracking-fraud-detection)。
 
-安装所有依赖项：
-
-```
-pip install pandas xgboost==1.4.2 sklearn tornado "openmldb>=0.5.0" requests
-```
-
-### 1.2 准备数据
-
-我们只使用 `train.csv` 的前10000行作为示例数据，请参见[train\_sample.csv](https://github.com/4paradigm/OpenMLDB/tree/main/demo/talkingdata-adtracking-fraud-detection)。
-
-如果你想要测试完整数据，请通过以下方式下载
+如果你想要测试完整数据，请通过以下方式下载：
 
 ```
 kaggle competitions download -c talkingdata-adtracking-fraud-detection
 ```
 
-并将数据解压缩到 `demo/talkingdata-adtracking-fraud-detection/data` 。然后调用 [train\_and\_serve.py](https://github.com/4paradigm/OpenMLDB/blob/main/demo/talkingdata-adtracking-fraud-detection/train_and_serve.py)中的 `cut_data()` 方法，制作新的csv样本用于训练。
+并将数据解压缩到 `demo/talkingdata-adtracking-fraud-detection/data`。然后调用 [train\_and\_serve.py](https://github.com/4paradigm/OpenMLDB/blob/main/demo/talkingdata-adtracking-fraud-detection/train_and_serve.py) 中的 `cut_data()` 方法，制作新的 CSV 数据样本用于训练。
 
+### 启动 OpenMLDB 集群
 
-### 1.3 启动 OpenMLDB 集群
+镜像内提供了 init.sh 脚本帮助用户快速启动集群。
 
 ```
 /work/init.sh
 ```
 
-### 1.4 启动预测服务器
+### 启动预测服务器
 
-即使您还没有部署预测服务器，您也可以启动它，使用选项 `--no-init`。
+即使还没有部署预测服务器，你也可以使用选项 `--no-init` 启动。
 
 ```
 python3 /work/talkingdata/predict_server.py --no-init > predict.log 2>&1 &
 ```
 
-
 ```{tip}
-- 训练完毕后，您可以发送 post 请求至 `<ip>:<port>/update` 更新预测服务器。
-- 您可以运行 `pkill -9 python3` 命令，关闭后台预测服务器。
+- 训练完毕后，可以发送 post 请求至 `<ip>:<port>/update` 更新预测服务器。
+- 可以运行 `pkill -9 python3` 命令，关闭后台预测服务器。
 ```
 
-
-## 2 训练并应用
+## 训练并应用
 
 ```
 cd /work/talkingdata
 python3 train_and_serve.py
 ```
 
-我们使用 OpenMLDB 提取特征，并通过 xgboost 进行训练，请参见[train\_and\_serve.py](https://github.com/4paradigm/OpenMLDB/blob/main/demo/talkingdata-adtracking-fraud-detection/train_and_serve.py)。
+使用 OpenMLDB 提取特征，并通过 XGboost 训练机器学习模型，请参见 [train\_and\_serve.py](https://github.com/4paradigm/OpenMLDB/blob/main/demo/talkingdata-adtracking-fraud-detection/train_and_serve.py)。程序具体内容有如下步骤：
 
 1. 将数据加载到离线存储
-2. 离线特征提取；
+2. 离线特征提取
    * ip-day-hour 组合的点击次数 -> 窗口期 1h
    * ip-app 组合的点击次数 -> 无限窗口期
    * ip-app-os 组合的点击次数 -> 无限窗口期 
@@ -82,21 +68,26 @@ python3 train_and_serve.py
 5. 加载数据到在线存储
 6. 更新预测服务器上的模型
 
-## 3 预测
+## 预测
 
-向预测服务器发送post请求 `<ip>:<port>/predict` 即可进行一次预测。或者您也可以运行下面的python脚本。
+向预测服务器发送 POST 请求 `<ip>:<port>/predict` 即可进行一次预测。或者也可以运行下面的 Python 脚本。
 
 ```
 python3 predict.py
 ```
 
-## 4 提示
+## 提示
 
-预构建的 xgboost python wheel 可能与您计算机中的 openmldb python sdk 不兼容，可能会出现该报错：
-`train\_and\_serve.py core dump at SetGPUAttribute...`
+预构建的 XGboost python wheel 可能与您计算机中的 openmldb python sdk 不兼容，可能会出现该报错：`train\_and\_serve.py core dump at SetGPUAttribute...`
+
+通过源代码构建 XGboost 可解决该问题：进入 XGhboost 源代码所在的目录，并执行：
+
+```bash
+cd python-package && python setup.py install
+```
 
-通过源代码构建xgboost可解决该问题：进入 xgboost 源代码所在的目录，并执行
-`cd python-package && python setup.py install`
+或者构建 wheel：
 
-或者构建 wheel ：
-`python setup.py bdist_wheel`
+```bash
+python setup.py bdist_wheel
+```