diff --git a/Week_01/id_15/LeetCode_189_015.py b/Week_01/id_15/LeetCode_189_015.py
new file mode 100644
index 00000000..1c241955
--- /dev/null
+++ b/Week_01/id_15/LeetCode_189_015.py
@@ -0,0 +1,9 @@
+# Language: Python
+class Solution:
+    def rotate(self, nums: List[int], k: int) -> None:
+        """
+        Do not return anything, modify nums in-place instead.
+        """
+        k %= len(nums)
+        if k:
+            nums[:k], nums[k:] = nums[-k:], nums[:-k]
diff --git a/Week_01/id_15/LeetCode_26_015.py b/Week_01/id_15/LeetCode_26_015.py
new file mode 100644
index 00000000..68619dfb
--- /dev/null
+++ b/Week_01/id_15/LeetCode_26_015.py
@@ -0,0 +1,11 @@
+# Language: Python
+class Solution:
+    def removeDuplicates(self, nums: List[int]) -> int:
+        curr_idx = 0
+        while curr_idx < len(nums) - 1:
+            if nums[curr_idx] == nums[curr_idx+1]:
+                del nums[curr_idx]        
+                curr_idx -= 1        
+            curr_idx += 1
+        return len(nums)
+	
diff --git a/Week_01/id_15/NOTE.md b/Week_01/id_15/NOTE.md
index 107ea7d6..cdab5526 100644
--- a/Week_01/id_15/NOTE.md
+++ b/Week_01/id_15/NOTE.md
@@ -1 +1,49 @@
 # 学习笔记
+## 本周回顾
+本人非计算机专业出身，相比于其他同学而言基础会相对薄弱些。针对自己的能力特点，为自己设定了合理的学习计划和目标，并且于本周达成了三个小目标。
+1. 算法图解图书阅读（核心内容笔记）：
+    1. 二分查找的速度比简单（全局遍历）的查找速度快的多
+    2. O(log n) 比O（n）快，需要搜索的元素越多，前者比后者越快
+    3. 算法运行时间并不以秒为单位
+    4. 算法运行时间是从其增速的角度衡量
+    5. 算法运行时间用大O表示法来表示
+    6. 需要存储多个元素时，可以用数组或链表
+    7. 数组的元素都在一起
+    8. 链表的元素是分开的，其中每个元素都存储了下一个元素的地址
+    9. 数组的读取速度是很快的
+    10. 链表的插入和删除速度是很快的
+    11. 同一个数组中，所有元素的类型都必须相同
+    12. 递归指的是调用自己的函数
+    13. 每个递归函数都有两个条件：基线条件和递归条件
+    14. 栈有两种操作：压入和弹出；并且栈是后进先出（LIFO）；队列是先进先出（FIFO）
+    15. 所有函数调用都进入调用栈
+    16. D & C (分治)将问题逐步分解，编写涉及数组的递归函数时，基线条件通常是数组为空或只包含一个元素。
+    17. 散列表合适用于模拟映射关系
+    18. 一旦装填因子超过0.7，就该调整该散列表的长度
+    19. 图的广度优先搜索支出是否具有从A到B的最短路径，如果有广度优先搜索将找出最短路径
+    20. 面临类似寻找最短路径的问题时，可以尝试使用图来建立模型，再使用广度优先搜索来解决问题。
+    21. 你需要按照加入顺利来检查搜索列表中的人，否则找到的就不是最短路径，因此搜索列表必须是队列。
+    22. 对于检查过的人，务必不要再去检查，否则形成无限循环。
+    23. 广度优先搜索用于在非加权图中查找最短路径
+    24. 狄克思算法用于在加权图中寻找最短路径
+    25. 仅当权重为非负的时候，狄克思算法才管用
+    26. 如果图包含负权边，请使用贝尔曼-福德算法
+    27. 贪婪算法寻找局部最优解，企图以这种方式获取全局最优解
+    28. 对于NP完全问题（Non-deterministic Polynomial的问题，即多项式复杂程度的非确定性问题），还没有找到快速解决方案
+    29. 面临NP问题的最优做法是使用近似算法
+    30. 贪婪算法易于实现，运行速度快，是不错的近似算法
+    31.在给定约束条件下优化某种指标的时候，动态规划很有用
+    32. 问题可分解为离散子问题，可使用动态规划来解决
+    33. 每种动态规划方案都涉及网络
+    34. 单元格中的值通通常就是要优化的值
+    35. 每个单元格都是一个子问题，因此你需要考虑如何将问题分解为子问题
+  
+2. Git视频课程30讲
+  2.1 核心内容笔记：https://mubu.com/doc/21G3uNP1Lw
+    
+3. 算法视频课程20节
+4. 算法习题2题
+
+## 下周规划
+1. 读完半本（200页左右）的算法与数据结构Python语言描述
+2. 继续刷剩余的算法题（上周剩余及本周新增）