diff --git "a/source/\347\254\254\351\233\266\347\253\240/0.1 \344\272\272\345\267\245\346\231\272\350\203\275\347\256\200\345\217\262.md" "b/source/\347\254\254\351\233\266\347\253\240/0.1 \344\272\272\345\267\245\346\231\272\350\203\275\347\256\200\345\217\262.md"
index 84a438509..cfb15bbeb 100644
--- "a/source/\347\254\254\351\233\266\347\253\240/0.1 \344\272\272\345\267\245\346\231\272\350\203\275\347\256\200\345\217\262.md"	
+++ "b/source/\347\254\254\351\233\266\347\253\240/0.1 \344\272\272\345\267\245\346\231\272\350\203\275\347\256\200\345\217\262.md"	
@@ -33,7 +33,18 @@
 
 人工智能的第三次浪潮有两个重要的时间节点：2006年和2016年。2006年是深度学习发展史的分水岭。杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。而2016年3月，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世乭，“人工智能”一词正式进入普通民众的视野并被逐渐熟知。至此，人工智能正式迈向了从“科研领域的应用型工具”到“实用性，功能性工具”的转变，人工智能有了新的研究方向和研究模式，即从过去的学术主导型研究逐渐走向了商业主导型研究。随着人类社会对智能化工具的不断追求和探索，人工智能的发展迎来了全新的时代。
 
-### 1.1.4 总结
+
+### 1.1.4 第四次浪潮
+
+2020年前后，随着深度学习技术的成熟和大规模预训练模型（Large Language Models, LLM）的突破，人工智能发展进入以生成式AI为核心的第四次浪潮。这一阶段的核心标志是Transformer架构的广泛应用，以及以ChatGPT为代表的通用型对话系统在自然语言理解、生成和逻辑推理能力上的飞跃式提升。
+
+此次浪潮的起点可追溯至2017年谷歌提出的Transformer模型，其自注意力机制（Self-Attention）解决了传统循环神经网络（RNN）处理长序列数据的效率瓶颈。2020年，OpenAI发布1750亿参数的GPT-3模型，首次展现了大规模预训练模型在零样本学习（Zero-Shot Learning）和小样本学习（Few-Shot Learning）中的潜力。2022年11月，基于GPT-3.5的ChatGPT正式向公众开放，其通过人类反馈强化学习（RLHF）技术实现了与人类意图对齐的对话能力，上线两个月用户突破1亿，成为历史上增长最快的消费级应用。2023年3月，GPT-4的发布进一步突破多模态能力边界，将文本、图像、代码的生成与理解整合至统一框架。
+
+第四次浪潮的本质是人工智能从“专用工具”向“通用助手”的范式转变。基于自监督学习的预训练技术使得模型能够通过海量数据（如数万亿单词的文本库）自主构建对世界的认知体系，而指令微调（Instruction Tuning）和价值观对齐技术则让人工智能的输出更符合人类伦理与社会规范。此阶段的技术突破显著降低了AI应用门槛，编程、写作、教育、法律等领域的生产力工具开始全面智能化重构，人类与机器的交互模式从“命令式”转变为“协作式”。
+
+然而，此次浪潮也面临前所未有的挑战。千亿级参数模型对算力的需求引发全球GPU资源争夺战，训练成本的高企导致技术垄断风险；模型可能产生包含偏见或事实错误的“幻觉”（Hallucination）输出，引发对信息可信度的担忧；以开源社区（如Meta的LLaMA、Stability AI的Stable Diffusion）与闭源商业公司（如OpenAI、Google）的路线之争，更折射出技术伦理与治理的复杂性。当前，第四次浪潮仍在持续推进中，其最终走向将取决于技术突破、社会接受度与监管框架的多方博弈。
+
+### 1.1.5 总结
 
 ![](figures/AI.jpg)
 
diff --git "a/source/\347\254\254\351\233\266\347\253\240/0.3 \345\270\270\347\224\250\345\214\205\347\232\204\345\255\246\344\271\240.md" "b/source/\347\254\254\351\233\266\347\253\240/0.3 \345\270\270\347\224\250\345\214\205\347\232\204\345\255\246\344\271\240.md"
index 08dab5cb7..8ca93f64d 100644
--- "a/source/\347\254\254\351\233\266\347\253\240/0.3 \345\270\270\347\224\250\345\214\205\347\232\204\345\255\246\344\271\240.md"	
+++ "b/source/\347\254\254\351\233\266\347\253\240/0.3 \345\270\270\347\224\250\345\214\205\347\232\204\345\255\246\344\271\240.md"	
@@ -1,4 +1,145 @@
 # 常用包的学习
-## Numpy
+
+## NumPy
+
+**简介：**  
+NumPy 是 Python 的基础科学计算包，提供了高性能的 N 维数组对象（`ndarray`）和大量用于数组操作的函数。它是很多其他数据分析包（例如 pandas 和 scikit-learn）的基础。
+
+**学习重点：**
+
+- **数组创建：**  
+  - 从列表创建：`np.array([1, 2, 3])`
+  - 特殊数组：`np.zeros((3, 4))`、`np.ones((2, 5))`、`np.eye(4)`、`np.arange(0, 10, 2)`、`np.linspace(0, 1, 5)`
+
+- **数组操作：**  
+  - 形状操作：`array.shape`、`np.reshape()`、`np.transpose()`
+  - 切片和索引：类似 Python 列表，但支持多维索引
+  - 广播机制：在不同形状的数组间进行运算
+
+- **数学运算：**  
+  - 基本运算：加减乘除（直接对数组操作）
+  - 通用函数（ufuncs）：如 `np.sin()`、`np.log()`、`np.exp()` 等
+  - 矩阵运算：`np.dot()`、`np.matmul()`、`@` 操作符
+
+**示例代码：**
+
+```python
+import numpy as np
+
+# 创建数组
+a = np.array([1, 2, 3])
+b = np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]
+
+# 数组的基本运算
+c = a * 2
+d = np.sin(a)
+
+# 数组的形状操作
+matrix = np.arange(12).reshape(3, 4)
+transposed = matrix.T
+
+print("数组 a:", a)
+print("数组 b:", b)
+print("数组 c (a*2):", c)
+print("数组 d (sin(a)):", d)
+print("原始矩阵:\n", matrix)
+print("转置矩阵:\n", transposed)
+```
+
+---
+
 ## pandas
-## matplotlib
\ No newline at end of file
+
+**简介：**  
+pandas 是基于 NumPy 构建的数据分析库，主要提供了两种核心数据结构：`Series`（一维数据）和 `DataFrame`（二维数据表）。它极大地方便了数据读取、清洗、变换和分析。
+
+**学习重点：**
+
+- **数据结构：**  
+  - **Series：** 类似于带标签的一维数组  
+  - **DataFrame：** 表格数据结构，既有行索引也有列标签
+
+- **数据读写：**  
+  - 从 CSV、Excel、SQL 等文件或数据库中读取数据：`pd.read_csv()`, `pd.read_excel()`
+  - 保存数据：`DataFrame.to_csv()`, `DataFrame.to_excel()`
+
+- **数据操作：**  
+  - 选择与过滤：通过标签（`.loc`）或位置（`.iloc`）索引
+  - 数据清洗：处理缺失值（`dropna()`, `fillna()`）、重复值
+  - 数据变换：排序（`sort_values()`）、重设索引（`reset_index()`）
+  - 数据聚合：`groupby()`、`pivot_table()`、`merge()`、`join()`
+
+**示例代码：**
+
+```python
+import pandas as pd
+
+# 创建 DataFrame
+data = {
+    '姓名': ['Alice', 'Bob', 'Charlie', 'David'],
+    '年龄': [25, 30, 35, 40],
+    '城市': ['北京', '上海', '广州', '深圳']
+}
+df = pd.DataFrame(data)
+
+# 查看数据
+print("DataFrame 内容：")
+print(df)
+
+# 筛选年龄大于30的数据
+df_filtered = df[df['年龄'] > 30]
+print("\n年龄大于30的人：")
+print(df_filtered)
+
+# 分组聚合：按城市统计平均年龄
+df_grouped = df.groupby('城市')['年龄'].mean().reset_index()
+print("\n按城市计算平均年龄：")
+print(df_grouped)
+```
+
+---
+
+## matplotlib
+
+**简介：**  
+matplotlib 是 Python 最常用的数据可视化库，特别是其 `pyplot` 接口，能够方便地创建各种图表（折线图、散点图、直方图、条形图等）。
+
+**学习重点：**
+
+- **基本绘图：**  
+  - 使用 `plt.plot()` 绘制折线图
+  - `plt.scatter()` 绘制散点图
+  - `plt.bar()` 绘制条形图
+  - `plt.hist()` 绘制直方图
+
+- **图表定制：**  
+  - 添加标题：`plt.title()`
+  - 添加坐标轴标签：`plt.xlabel()`、`plt.ylabel()`
+  - 添加图例：`plt.legend()`
+  - 自定义颜色、线型、标记等
+
+- **显示与保存图表：**  
+  - 显示图表：`plt.show()`
+  - 保存图表：`plt.savefig('filename.png')`
+
+**示例代码：**
+
+```python
+import matplotlib.pyplot as plt
+import numpy as np
+
+# 生成数据
+x = np.linspace(0, 10, 100)
+y = np.sin(x)
+
+# 绘制折线图
+plt.figure(figsize=(8, 4))
+plt.plot(x, y, label='sin', color='blue', linestyle='-', marker='o', markersize=4)
+plt.title('sin')
+plt.xlabel('X ')
+plt.ylabel('Y ')
+plt.legend()
+plt.grid(True)
+plt.show()
+
+```