[fix] Use \mathbm instead of \bm

tech stack.md

@@ -1,11 +1,11 @@
 |       索引       |                名称                 |                             概述                             |                           核心代码                           |
 | :--------------: | :---------------------------------: | :----------------------------------------------------------: | :----------------------------------------------------------: |
 |      3.1.1       |              差分方程               |                        求递推数列通项                        |                    `sp.rsolve()` 直接求解                    |
-|      3.1.2       |      莱斯利 (Leslie) 种群模型       |        已知初始状态、生育率、存活率<br/>预测种群总量         | $\small \bm A = \bm {PD} \bm P^{-1}$<br/>`P, D = sp.Matrix(ins=A).diagonalize()`<br/>特征值分解\|相似对角化<br/>matplotlib 刻度与刻度标签控制 |
+|      3.1.2       |      莱斯利 (Leslie) 种群模型       |        已知初始状态、生育率、存活率<br/>预测种群总量         | $\small \mathbm A = \mathbm {PD} \mathbm P^{-1}$<br/>`P, D = sp.Matrix(ins=A).diagonalize()`<br/>特征值分解\|相似对角化<br/>matplotlib 刻度与刻度标签控制 |
 |      3.1.3       |            PageRank 算法            |               图论、马尔可夫链、互达的概率排序               |             有向图构造<br/>`ax.bar()` 柱状图绘制             |
 |  $\rightarrow$   |            随机冲浪模型             |                     非互达，引入阻尼因子                     |                              -                               |
 |      3.2.2       |            推荐系统评分             |                 基于皮尔逊相关系数的评分预测                 | `np.corrcoef()` 按行返回相关系数矩阵<br/>`ax.imshow()` 热力图绘制 |
-|  $\rightarrow$   |       基于奇异值分解压缩数据        |                 稀疏矩阵降维<br/>余弦相似度                  | $\small \bm A = \bm U\begin{bmatrix}\bm \Sigma 	&\bm 0\\ \bm 0		&\bm 0\end{bmatrix}\bm V^{\rm T}$<br/>`U, S, VT = np.linalg.svd(A)`<br/>其中 `np.diag(S)`=$\small \begin{bmatrix}\bm \Sigma 	&\bm 0\\ \bm 0		&\bm 0\end{bmatrix}$<br/>列压缩数据降维范式 |
+|  $\rightarrow$   |       基于奇异值分解压缩数据        |                 稀疏矩阵降维<br/>余弦相似度                  | $\small \mathbm A = \mathbm U\begin{bmatrix}\mathbm \Sigma 	&\mathbm 0\\ \mathbm 0		&\mathbm 0\end{bmatrix}\mathbm V^{\rm T}$<br/>`U, S, VT = np.linalg.svd(A)`<br/>其中 `np.diag(S)`=$\small \begin{bmatrix}\mathbm \Sigma 	&\mathbm 0\\ \mathbm 0		&\mathbm 0\end{bmatrix}$<br/>列压缩数据降维范式 |
 |      3.2.2       |         利用SVD进行图像压缩         |                    只保留那些较大的奇异值                    | 数字图像处理库 PIL.Image<br/>妙用`ax.imshow(cmap='gray')`绘制灰度图<br/>对矩阵整体进行数据压缩范式 |
 |      4.1.2       |          线性规划模型 (LP)          | ● 企业安排生产问题<br/>● 项目投资问题<br/>● 仓库租借问题<br/>● 最小费用运输问题 | `import cvxpy as cp`<br/>`x = cp.Variable()`<br/>`obj = cp.Maximize[Minimize]()`<br/>`cons = [...]`<br/>`prob = cp.Problem(obj, cons)`<br>`prob.solve(solver='...')` |
 |      4.2.1       |           0-1整数规划模型           |           背包问题、指派问题<br />旅行商问题 (TSP)           |          *指派问题代码见 4h5*<br />*TSP 代码见 4.4*          |