diff --git a/Memos/Study-Memo/.keep b/Memos/Students/Study-Memo/.keep
similarity index 100%
rename from Memos/Study-Memo/.keep
rename to Memos/Students/Study-Memo/.keep
diff --git a/Memos/Students/Study-Memo/2593-day1AM.md b/Memos/Students/Study-Memo/2593-day1AM.md
new file mode 100644
index 0000000000000000000000000000000000000000..990bc441880f6e74903121a1d049556d51434cb7
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day1AM.md
@@ -0,0 +1,24 @@
+## 个人简介  
+大家好！我是管安祺，来自未央书院，开学上大三。
+
+## 兴趣爱好  
+我的兴趣广泛，主要包括：  
+1. **足球**：锻炼身体 
+2. **编程**：解决问题  
+3. **音乐**：唱歌听歌  
+4. **旅行**：开拓视野  
+
+## 图片展示  
+![我的偶像](https://so1.360tres.com/t017d6555a87fb13623.jpg)  
+
+希望我们能成为好朋友！
+
+# 课程信息表
+
+## 课程详情
+
+| 课程名称       | 上课地点   | 上课时间       | 课程学分 |
+|----------------|------------|----------------|----------|
+| 高等数学       | 六教6A301 | 周一 8:00-9:40 | 4        |
+| 大学英语       | 三教3205  | 周三 10:00-11:40 | 2       |
+| 计算机编程     | 六教6C102  | 周五 14:00-15:40 | 3       |
\ No newline at end of file
diff --git a/Memos/Students/Study-Memo/2593-day1PM.md b/Memos/Students/Study-Memo/2593-day1PM.md
new file mode 100644
index 0000000000000000000000000000000000000000..e9c0a13dc26af6fbd118d5ead91de5c490313545
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day1PM.md
@@ -0,0 +1,26 @@
+# day1学习小结
+在今天的课程中，我首先了解了机器智能这一概念，机器智能包含了人工智能，机器学习是人工智能的一个领域，又可根据是否有人为监督分为以下三种模式：
+
+1. **有监督学习**：模型通过标注数据学习预测规律，像老师手把手教解题。
+
+2. **无监督学习**：模型自己从无标签数据里挖隐藏规律（如分组、降维），像没人指导的探索者。
+
+3. **强化学习**：智能体通过试错和环境反馈（奖励/惩罚）学策略，像打游戏攒经验升级。
+
+而最常听到的深度学习其实只是有监督学习的一种方式。
+
+随后，我学会了pytorch的配备、大模型API调用，大模型本地部署等技能。
+
+最令我印象深刻的是，我了解了Transformer这一经典架构的原理。Transformer是一种基于自注意力机制（Self-Attention）的深度学习架构，其核心思想是通过并行化全局建模序列数据的依赖关系。它由编码器解码器堆叠组成，每层均包含以下核心模块：
+
+1. **多头自注意力层**：计算输入序列中所有位置的关联权重，动态聚合上下文信息；
+
+2. **前馈神经网络（FFN）**：对每个位置独立进行非线性变换；
+
+3. **残差连接与层归一化**：每个子层输出与输入相加后归一化，缓解梯度消失并稳定训练。
+
+在其核心的Attention机制中，Q矩阵与K矩阵的转置相乘，经softmax后与V矩阵相乘，得到输出自注意力Z。最后，多头注意力的多个Z矩阵进行拼接，再经过线性变换即可得到最终输出。
+此外，Transformer不能利用单词的顺序信息，因此添加了位置编码（Positional Encoding），为模型提供单词在句子中的相对位置信息，弥补自注意力对时序不敏感的特性。
+Transformer实现了高效的并行计算，为后续BERT、GPT、Deepseek等里程碑模型奠定了基础。
+
+在未来的学习中，我希望能使用今天学习到的机器学习方法，解决生活与项目中的实际问题。
\ No newline at end of file
diff --git a/Memos/Students/Study-Memo/2593-day2AM.md b/Memos/Students/Study-Memo/2593-day2AM.md
new file mode 100644
index 0000000000000000000000000000000000000000..c438c4c37aaf298131b103f66dce1aead8404778
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day2AM.md
@@ -0,0 +1,22 @@
+# Day2上午学习小结
+## 管安祺 2023012593
+### 管安祺 2023012593
+## K230人工智能开发板开发实践
+第二天上午，我在老师的带领下进行了K230人工智能开发板开发实践，步骤如下：
+1. **烧录固件**：先使用SDFormatter工具将TF卡格式化，清空旧内容并重建分区和文件系统结构；再用SDFormatter将镜像文件写入，完成烧录。
+2. **开发界面**：安装并打开canmv-ide可视化开发界面，导入模型代码文件并修改相关参数。
+3. **测试运行**：将烧录好的TF卡插回K230，使用两根数据线连接电脑，可以看见右侧有实时图像预览窗口。
+4. **保存部署**：点击左上角的工具，再点击“Save open script to CanMV board”，只要K230通电，就会自动开始运行此模型。
+### 识别效果如下
+![小狗](../../../Picture/%E5%B0%8F%E7%8B%97%E8%AF%86%E5%88%AB.jpg)
+## MyOpenGlass智能硬件开发实践
+随后，我们学习了MyOpenGlass工具，使用Seeed Studio XIAO ESP32S3 (Sense) 开发板进行智能化的视觉识别，步骤如下：
+1. **Arduino IDE下载**：下载Arduino IDE后填充“Additional Boards Manager url”，安装esp32。
+2. **设备连接**：用USBC线将Xiao与电脑连接，选择XIAO_ESP32S3，即可对Xiao进行开发了。
+3. **大模型部署**：选择合适的版本下载安装Ollama，在Ollama中下载llava多模态大模型。
+4. **MyOpenGlassProj软件安装**：点击exe文件安装即可。
+5. **测试运行**：将Xiao通过USBC线连接到电脑上，选中对应的串口。修改CameraWebServer项目里的ssid和password变量为自己的wifi名称和密码，将ESP32S3与电脑连接至同一局域网，获取ESP32的IP并复制下来，运行Ollama软件和MyOpenGlass客户端软件，即可看到Xiao所拍摄到的画面。在右下角的输入框中提问，点击发送，即可获得大模型关于摄像头拍到的东西的回答。
+### 识别效果如下
+![人物](../../../Picture/%E4%BA%BA%E7%89%A9%E8%AF%86%E5%88%AB.png)
+## 最后
+最后，我们尝试了azure kinect dk计算机视觉设备，并学习了人工智能物联网（AIoT），了解了其高效性、准确性、灵活性。
\ No newline at end of file
diff --git a/Memos/Students/Study-Memo/2593-day2PM.md b/Memos/Students/Study-Memo/2593-day2PM.md
new file mode 100644
index 0000000000000000000000000000000000000000..46cf35f7ab2195045711c80eeac8b0263fc54787
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day2PM.md
@@ -0,0 +1,18 @@
+# Day2下午学习小结
+### 管安祺 2023012593
+## 红绿黄颜色识别
+第二天下午，我们继续开展计算机视觉领域的体验，使用opencv对红、绿、黄色球进行识别，步骤如下：
+1. **HSV颜色描述**：H(Hue)色相，红色为0度，绿色为120度，蓝色为240度；S(Saturation)饱和度，从0-100%描述色彩的深浅度；V(Value)色调，从0-100%描述色彩的亮度。
+2. **获取摄像头图像**：下载python的opencv库，通过video = cv2.VideoCapture(0)调用电脑摄像头拍摄。
+3. **截取图像区域**：根据所需要的图像区域设定区域参数x0,x1,y1,y0,再用img = img[y0:y1, x0:x1]即可截取该区域。
+4. **颜色识别**：通过颜色遮罩、锐化、形态学变换、提取边缘识别给定HSV范围的颜色。
+5. **形状识别**：源代码单纯通过二值化、形态学识别物体轮廓，但并不能识别小球，于是我将颜色识别与形状识别相结合，实现了对小球圆形特征的识别。
+### 颜色识别与形状识别效果如下
+![输入图片说明](../../../Picture/%E9%A2%9C%E8%89%B2%E8%AF%86%E5%88%AB.png)
+![输入图片说明](../../../Picture/%E5%BD%A2%E7%8A%B6%E8%AF%86%E5%88%AB.png)
+## 机械臂遥控
+在这之后，我们使用zide和thonny对机械臂实现了遥控。
+1. **Thonny**：作为一款轻量化python集成开发环境，我们在其中运行开源代码，允许使用遥控器操控机械臂运动。
+2. **Zide**：ZIDE（Zerynth IDE）是一款专为物联网（IoT）开发设计的集成开发环境，我们连接上机械臂接口之后，可以在电脑上用鼠标操作机械臂运动。
+### 机械臂实物图如下
+![输入图片说明](../../../Picture/%E6%9C%BA%E6%A2%B0%E8%87%82.jpg)
\ No newline at end of file
diff --git a/Memos/Students/Study-Memo/2593-day3AM.md b/Memos/Students/Study-Memo/2593-day3AM.md
new file mode 100644
index 0000000000000000000000000000000000000000..49b72dab6c88b2b6f573024c25336cd2516b0dd5
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day3AM.md
@@ -0,0 +1,16 @@
+# Day3上午学习小结
+### 管安祺 2023012593
+## 选题介绍
+今天上午，助教首先对本课程的选题方向进行了介绍：
+1. **核心**：发现问题。
+2. **思路1**：改变模型框架（搭积木），例如基于多尺度注意力GRU模型的金融数据预测。
+3. **思路2**：开发模型的特定应用背景（资源/数据受限），例如自适应窗口语音Transformer。
+4. **思路3**：寻找模型的具体应用方向，例如知识图谱增强大语言模型结论生成。
+经过助教的介绍，我们小组针对上述思路分别展开了讨论，小组2位同学对Transformer感兴趣，2位同学对具身智能感兴趣，我们期望寻找二者的交叉领域开展研究。
+## POQD讲座
+随后，来自北大的吴老师介绍了他关于Performance-Oriented Query Decomposer的研究：
+1. **研究内容**：Retrieval Augmented Generation（检索增强生成），模型结合用户输入在网络上搜索相关图片、文档，综合后给出最优回答。
+2. **发现问题**：稠密检索无法捕捉图像和输入问题中的细节信息。
+3. **可行方案**：多向量检索，将query和搜索到的image、doc划分为多个块，分别构建小向量，再进行相似性比对。
+4. **核心难点**：语义分割，如"Victoria Hong Kong"应为一个词组，而非三个独立单词，后者会导致检索到错误信息。
+5. **解决方法**：引入prompt optimizer，通过结果Score计算找到最优的prompt，帮助模型做query的语义分割。
diff --git a/Memos/Students/Study-Memo/2593-day3PM.md b/Memos/Students/Study-Memo/2593-day3PM.md
new file mode 100644
index 0000000000000000000000000000000000000000..deffe362b1aa5692249adea6e90d45c8eb3ca500
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day3PM.md
@@ -0,0 +1,8 @@
+# Day3下午学习小结
+### 管安祺 2023012593
+## 人工智能辅助编程
+在今天下午的学习中，我了解到了两种国内外的辅助编程工具：
+1. **Github Copilot**：GitHub Copilot 是由 GitHub 和 OpenAI 联合开发的智能编程助手，它通过人工智能分析你的代码上下文，实时生成代码建议、函数实现甚至整段逻辑，从而帮助开发者加速编码、减少重复性工作。它支持多种编程语言和主流编辑器，如 VS Code，并能根据注释或已有代码生成可用的代码片段，大幅提高开发效率，同时也适合作为学习新技术和参考最佳实践的工具。
+2. **Fitten Code**:Fitten Code 是由非十科技开发的国产 AI 编程助手，基于自研的代码大模型 Jittor 打造，能够提供代码自动补全、注释生成、Bug 查找、单元测试生成等多种智能功能，支持 80 多种编程语言并兼容 VS Code、JetBrains 系列、Visual Studio、Vim 等主流 IDE。相比 GitHub Copilot，Fitten Code 的优势在于响应速度更快（平均约 300 毫秒）、支持更多语言和本地化优化，同时对个人用户免费，能够在多种开发场景中提供更加高效、流畅的编程体验。
+## 总结
+合理运用 AI 辅助编程，需要把它作为增强工具而非完全替代。可以让 AI 帮助生成模板代码、自动补全函数、查找常见 Bug 或提供优化建议，从而节省重复性工作，但核心逻辑设计、架构决策和业务理解仍需开发者亲自把控。同时，保持对 AI 输出代码的审查与测试，避免错误或不安全的实现；通过与 AI 的互动学习，也能提升自身编程能力，实现效率与质量的平衡。因此，AI时代的我们仍然需要学习编程，最起码能够读懂AI生成的内容。
diff --git a/Memos/Students/Study-Memo/2593-day4AM.md b/Memos/Students/Study-Memo/2593-day4AM.md
new file mode 100644
index 0000000000000000000000000000000000000000..025edbd307571d614d9f83d8aa9138c620df806a
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day4AM.md
@@ -0,0 +1,30 @@
+# Day4上午学习小结
+### 管安祺 2023012593
+## 深度人工神经网络基础
+1. **人工神经元**：多个分支输入，每个输入分配一个权重并求和，再使用激活函数输出到下一层。
+2. **Logistic Regression**：二元分类问题，如根据个体的身体体征，猜测性别，采用单个人工神经元完成。
+3. **调参方法**：梯度下降，即计算损失函数对权重的导数，并沿着梯度下降的方向调整参数，直到找到局部最优。
+4. **训练流程**：获取数据集、搭建模型、定义损失函数、运行训练数据、计算损失梯度并调参、结果评估。
+## 多层人工神经网络
+1. **批归一化层**：计算一个batch内各个向量的均值、方差，从而进行归一化，使得训练过程更稳定。
+2. **全连接(Dense)**：上一层的每个点都和下一层的每个点相连，称为密集连接，反之为稀疏连接。
+3. **激活函数**：sigmoid, ReLu等，增加非线性内容。
+4. **随机丢弃层**：每个神经元只有keep_prob的概率被保留下来，随机丢弃掉的神经元可以减少过拟合问题。
+5. **Softmax层**：计算输出向量每个分量的e指数权重，保证所有输出的数值是正的，所有分量之和为1。
+![整体结构](../../../Picture/%E5%A4%9A%E5%B1%82%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C.png)
+## 多层卷积神经网络
+1. **问题**：图像处理中使用全连接Dense层参数量过大。
+2. **卷积**：使用特定尺寸的卷积核filter（如5×5×3）对图像进行扫描，将特征个数减少。
+3. **池化**：将卷积得到的相邻点进行合并，有峰值池化、均值池化两种方式，加快尺寸减小速度。
+![卷积池化](../../../Picture/%E5%8D%B7%E7%A7%AF%E6%B1%A0%E5%8C%96.png)
+## 循环神经网络
+1. **核心机制**：输入x和输出y之间存在中间层h，h(t-1)和x(t)共同决定h(t)，h(t)决定y(t)，h(t)进一步影响h(t+1)的值，为模型提供“记忆力”。h为隐藏状态，计算公式通常是$h_t = ReLu(W_hh_{t-1}+W_xx_t+b)$。   
+![RNN](../../../Picture/RNN.png)
+2. **LSTM**：通过Cell层（长期记忆）引入遗忘门、输入门、输出门，模型将通过权重决定考虑多少长期记忆和多少短期记忆。</br>
+2.1 **遗忘门**：决定前一时刻的长期记忆$C_{t-1}$中哪些信息需要保留，哪些需要忘掉。</br>
+2.2 **输入门**：决定当前输入$x_t$和隐藏状态$h_{t-1}$的信息中，有多少加入到Cell状态$C_t$。</br>
+2.3 **输出门**: 决定Cell状态$C_t$对隐藏状态$h_t$和输出节点的贡献。
+![LSTM](../../../Picture/LSTM.png)
+
+
+
diff --git a/Memos/Students/Study-Memo/2593-day5AM.md b/Memos/Students/Study-Memo/2593-day5AM.md
new file mode 100644
index 0000000000000000000000000000000000000000..a7aa81c3a61ad18cd5e1e286971cc76d050be30e
--- /dev/null
+++ b/Memos/Students/Study-Memo/2593-day5AM.md
@@ -0,0 +1,8 @@
+# Day5上午学习小结
+### 管安祺 2023012593
+## Toward Agentic AI Scientist for Biomedical Discovery 讲座
+1. **研究背景**：基因表达与疾病表型的关联分析是高价值的科研任务，但门槛高、耗时长。大语言模型（LLM）具备领域知识、代码生成和执行能力，有潜力自动化此类任务。
+2. **TAIS 框架（Team of AI-made Scientists）**：多智能体分工：项目经理、数据工程师、领域专家、代码审查员、统计学家。优势：任务模块化、提高专业性、减轻单个 AI 的负担。案例：发现与胰腺癌及维生素D水平相关的关键基因，并分析肥胖与 COVID-19 的遗传通路重叠。
+3. **IMPROVE 系统**：自动化计算机视觉模型开发流程，包括数据预处理、模型构建与迭代优化。能快速提升性能，少量迭代即可接近 SOTA 水平，甚至在 Kaggle 竞赛中取得好成绩。
+4. **Prompter 系统**：解决多智能体系统“泛化性与专用性”的平衡问题。用户仅需一句自然语言命令，即可生成针对任意领域的数据科学多智能体系统。
+5. **学习收获**：多智能体协作是科研自动化的关键趋势。LLM 在科研中不仅能写代码，还能融入领域知识进行全流程辅助。未来需关注系统的可靠性、可解释性和伦理问题。
\ No newline at end of file
diff --git a/Picture/.keep b/Picture/.keep
new file mode 100644
index 0000000000000000000000000000000000000000..e69de29bb2d1d6434b8b29ae775ad8c2e48c5391
diff --git a/Picture/LSTM.png b/Picture/LSTM.png
new file mode 100644
index 0000000000000000000000000000000000000000..ec7746cfbd6d1cf13cde76d80f4ddceadf8807e5
Binary files /dev/null and b/Picture/LSTM.png differ
diff --git a/Picture/RNN.png b/Picture/RNN.png
new file mode 100644
index 0000000000000000000000000000000000000000..ac25978d2c53b7db60ba7f164fcebdbf1fdeb2c6
Binary files /dev/null and b/Picture/RNN.png differ
diff --git "a/Picture/\344\272\272\347\211\251\350\257\206\345\210\253.png" "b/Picture/\344\272\272\347\211\251\350\257\206\345\210\253.png"
new file mode 100644
index 0000000000000000000000000000000000000000..a0811b7fe56ea7a731fd79960fad5cad5060fad1
Binary files /dev/null and "b/Picture/\344\272\272\347\211\251\350\257\206\345\210\253.png" differ
diff --git "a/Picture/\345\215\267\347\247\257\346\261\240\345\214\226.png" "b/Picture/\345\215\267\347\247\257\346\261\240\345\214\226.png"
new file mode 100644
index 0000000000000000000000000000000000000000..8e0d4d7331e43915cd06ebcfaaf348f735133745
Binary files /dev/null and "b/Picture/\345\215\267\347\247\257\346\261\240\345\214\226.png" differ
diff --git "a/Picture/\345\244\232\345\261\202\347\245\236\347\273\217\347\275\221\347\273\234.png" "b/Picture/\345\244\232\345\261\202\347\245\236\347\273\217\347\275\221\347\273\234.png"
new file mode 100644
index 0000000000000000000000000000000000000000..c4b89568767f7b9048e5fbfc9549df025434eec7
Binary files /dev/null and "b/Picture/\345\244\232\345\261\202\347\245\236\347\273\217\347\275\221\347\273\234.png" differ
diff --git "a/Picture/\345\260\217\347\213\227\350\257\206\345\210\253.jpg" "b/Picture/\345\260\217\347\213\227\350\257\206\345\210\253.jpg"
new file mode 100644
index 0000000000000000000000000000000000000000..803f6668e50385c43b94b0b0ee5ae3131531798e
Binary files /dev/null and "b/Picture/\345\260\217\347\213\227\350\257\206\345\210\253.jpg" differ
diff --git "a/Picture/\345\275\242\347\212\266\350\257\206\345\210\253.png" "b/Picture/\345\275\242\347\212\266\350\257\206\345\210\253.png"
new file mode 100644
index 0000000000000000000000000000000000000000..b2bb808309b3a2e06bf031f35f748abbc58813c5
Binary files /dev/null and "b/Picture/\345\275\242\347\212\266\350\257\206\345\210\253.png" differ
diff --git "a/Picture/\346\234\272\346\242\260\350\207\202.jpg" "b/Picture/\346\234\272\346\242\260\350\207\202.jpg"
new file mode 100644
index 0000000000000000000000000000000000000000..3e9a30328d254430006a6bf26ea7634a486b26fa
Binary files /dev/null and "b/Picture/\346\234\272\346\242\260\350\207\202.jpg" differ
diff --git "a/Picture/\351\242\234\350\211\262\350\257\206\345\210\253.png" "b/Picture/\351\242\234\350\211\262\350\257\206\345\210\253.png"
new file mode 100644
index 0000000000000000000000000000000000000000..aadcf4c4b6d2e5169ef2d35ffb2197ad57a84fa8
Binary files /dev/null and "b/Picture/\351\242\234\350\211\262\350\257\206\345\210\253.png" differ