up add text-analysis

Author: lianxhcn

.gitignore

@@ -8,7 +8,8 @@ homework/Topics_01/.outdate/
 homework/Topics_01/.T1_Ashare_beta/
 .appendix_Chatgpt/
 .syllabus/
-
+/Lecture/**/.tobeuse/
+/Lecture/**/.tobeuse/**
 
 #launch.json folder
 .vscode/

.notes.md

@@ -34,4 +34,10 @@
 - 时间序列：⏳ 🕒 📅
 - 机器学习：🤖 🧠 🎛️
 - 案例：📌 🧩 🧪
-- 附录：📎 📑 📦
+- 附录：📎 📑 📦
+
+## 备选作业
+
+- 爬取人民银行货币政策执行报告 PDF 文档，提取文本内容并进行简单的文本分析，如词频统计、关键词提取等。
+  - URL：[货币政策执行报告](https://www.pbc.gov.cn/zhengcehuobisi/125207/125227/125957/index.html)
+- 

.textbok/Gelman-2009-Data_Analysis_Using_Regression.pdf

@@ -129,6 +129,11 @@
 * Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. [Link](http://www.deeplearningbook.org). [TensorFlow Exercises](https://www.tensorflow.org/tutorials?hl=zh-cn). [Slides](https://www.deeplearningbook.org/lecture_slides.html). [PDF1](http://alvarestech.com/temp/deep/Deep%20Learning%20by%20Ian%20Goodfellow,%20Yoshua%20Bengio,%20Aaron%20Courville%20%28z-lib.org%29.pdf). [PDF2](https://github.com/janishar/mit-deep-learning-book-pdf/blob/master/complete-book-pdf/Ian%20Goodfellow%2C%20Yoshua%20Bengio%2C%20Aaron%20Courville%20-%20Deep%20Learning%20%282017%2C%20MIT%29.pdf).
   * Note: 深度学习领域的代表性教材，系统覆盖前馈网络、卷积网络、序列模型、优化与概率图模型；配有官网、练习资源与课件。
 
+### 其它
+
+- Rob Hicks, 2022. ECON414 Bayesian Econometrics. [Link](https://econ.pages.code.wm.edu/414/notes/docs/index.html).
+  - 介绍了 Bayes 的基本概念，MCMC 方法，贝叶斯线性回归，贝叶斯模型比较等内容；配有在线阅读版本和 GitHub 代码仓库。
+
 ---
 
 ## 分析工具

.textbok/Hansen_BE-2021-Econometrics.pdf

@@ -6,4 +6,8 @@
 
 >🍏 [查看作业通知](https://github.com/lianxhcn/dsfin/blob/main/homework/readme.md)
 
----
+---
+
+## 作业展示
+
+- [2026 小组作业展示](../homework/HW-pre-2026.md)

.textbok/James-2023-ISLP_An_Introduction_to_Statistical_Learning_with_Applications_in_Python.pdf

@@ -1,3 +1,7 @@
 
 
 - `syndatakit`: Python package to generate synthetic tabular data calibrated to the statistical properties of real econometric and financial datasets
+
+
+- Bootstrap OLS: [The Bootstrap for our OLS Model](https://econ.pages.code.wm.edu/414/notes/docs/intro_bayesian_statistics.html#the-bootstrap-for-our-ols-model)
+  - 介绍了如何使用 Bootstrap 方法来评估 OLS 模型的参数不确定性。通过对原始数据进行重复抽样，构建多个 Bootstrap 样本，并在每个样本上重新拟合 OLS 模型，从而得到参数的分布。这种方法不依赖于传统的正态分布假设，可以更灵活地评估参数的置信区间和显著性。