使用数据挖掘/机器学习技术判断轴承的工作状态。 本次任务中，在同一时间对800个轴承进行按时间序列连续采样，并获取了每个轴承连续6000次振动信号数值，已经测定了700个轴承的工作状态，需要预测另外100个的工作状态。 轴承有3种故障：外圈故障，内圈故障，滚珠故障，外加正常的工作状态。在训练数据集中，轴承的工作状态对应的分类为： 外圈故障为：1 内圈故障为：2 滚珠故障为：3 正常状态为：0，文件夹下存放了训练集数据，里面有0，1，2，3共4个文件目录，分别对应不同工作状态下的轴承振动信号数据，0为正常状态，1为外圈故障，2为内圈故障，3为滚珠故障。 在每个工作状态的文件目录下，提供了多个轴承的振动信号数据，1个轴承为1个csv文件，每个csv文件中有该轴承按时间序列6000次连续采样的振动信号数值。 4种状态的csv文件共有700个。

这是一个典型的监督学习问题，需要使用分类算法来对轴承的工作状态进行预测。可以使用时间序列分析和特征提取技术，将每个轴承的6000个振动信号数值转化为一组特征向量，然后使用分类算法进行训练和测试。常用的分类算法包括决策树、支持向量机、朴素贝叶斯、神经网络等。需要对训练数据进行预处理和特征选择，以提高分类器的准确率和泛化能力。最后，使用训练好的模型对另外100个轴承的工作状态进行预测。