1）夯实基础期。多做一些基础题。这个时候的明显特征是概念还不太熟悉。遇到问题的某个知识点，还咬不准。重点做科后题。
（2）查漏补缺期。这时候基本拿到一个题。已经知道用到哪部分的内容了。具体的公式已经烂熟于心了。可找一些配套参考书进行复习。在遇到经过思考，仍记不起，或不确定的知识点时，再查资料书。
（3）冲刺阶段。做一些历年考研的数学一试卷的线代部分。这些题往往是比较具有综合性的。这时候只有这些题，才能真正的提高你。不要怕花两个小时去做一道题。绝不轻易查阅资料书或者翻看答案。通过努力解决一道题对你的帮助是最大的。

机器学习是一个研究领域，其涉及到从示例中学习的算法。分类是一项需要使用机器学习算法去学习如何根据问题域为示例分配类标签的任务。一个简单易懂的例子是将电子邮件分为“垃圾邮件”或“非垃圾邮件”。在机器学习中，你可能会遇到许多不同类型的分类任务，并且每种模型都会使用专门的建模方法。在本教程中，您将了解机器学习中不同类型的分类预测建模。读完这篇教程后，你将学会：将类别标签分配给输入示例的分类预测模型；二分类是指预测两个类别之一，而多分类则涉及预测两个以上类别之一；多标签分类涉及为每个示例预测一个或多个类别，不平衡分类是指各个类别之间的示例分布不相等的分类任务。

问题：深度学习是否指某一个特定的模型？

不是其实它指的不是一个特定的模型，而是一个框架，或者可以认为一类的方法论。
那既然是个框架，说明可以囊括很多模型。深度学习里的关键词叫做“深”或者“Deep"。所以它的特点就是比较深。那这个”深“我们应该如何去理解呢？
简单来讲，深度可以理解成我们把很多简单的模型叠加在了一起，这自然就能得到一个有深度的模型。举个例子，比如我们把一个神经网络叠加成多层结构的时候，得到的是深度神经网络； 当我们把一个高斯混合模型叠加在一起的时候就得到了深度高斯混合模型； 当我们把SVM叠加在一起的时候就得到了深度SVM模型。由此可见，这样的一个框架可以应用在很多不同种类的模型上。

那为什么我们需要把一个模型叠加在一起弄成深度学习模型呢？ 它有什么好处吗？

当然有好处。如果没有好处就不会这么做了嘛。比如这样的模型会有更强大的表达能力(capacity)， 具备层次表示能力(hierarhical representation)， 具有全局泛化能力(global generalization)，迁移学习能力(transfer learning)等等。

IT(Information Technologies)行业是一条完整的产业链条，包含了许许多多的环节。作为发展速度最快的一个行业，其发展是遵循着一定的发展规律的。而我们只有掌握和了解了这些规律才能理解IT行业，从而做出正确的判断或者发现新的商机。

1.摩尔定律
最早是由英特尔公司创始人戈登·摩尔(Gordon Moore)博士提出。摩尔定律的主要内容是：每18个月计算机等IT产品的性能会翻一番；或者说相同的性能的计算机等IT产品，每18个月价钱会降一半。

2.安迪-比尔定律

很多人会问：是什么动力推动用户不断地主动更新自己的硬件呢？安迪-比尔定律就能回答这个问题。
IT界总结出了安迪-比尔定律，即比尔要拿走安迪所给的（What Andy gives，Bill takes away.）
安迪指的是英特尔公司前CEO安迪·格罗夫（Andy Grove）
比尔指的是微软公司创始人比尔·盖茨
定律的内容是：计算机工业是由软件更新带动硬件更新的。软件的开发和发展，令使用软件的设备需要更高的性能和速度，从而推动了硬件技术的不断更新和升级。

3.反摩尔定律

反摩尔定律是由Google 前CEO埃里克·施密特（Eric Schmidt）在一次采访中提出的。原文意思大概如下：一个IT公司如果今天和18个月前卖掉同样多的、同样的产品，它的营业额就要降低一半。IT界把它总结为反摩尔定律。
反摩尔定律的作用下要求所有的硬件设备公司必须赶上摩尔定律规定的更新速度，否则将面临着亏损或者被淘汰的危险。
反摩尔定律也有积极的一面：
1.促进科技领域质的飞跃并为新兴公司提供生存和发展的可能。在量变的过程中小公司无法与大公司抗衡，只有在质变的时段才能获得打败大公司的机会。(质变的时段一般指的是那些技术获得飞跃性突破，新技术取代旧技术的时段)
2.使得新兴的小公司有可能在发展新技术方面和大公司处在同一个起跑线上。

当前，全球化、城市化、市场化、知识化和信息化的进程不断加快，对企业管理带来巨大的影响。如何应对剧烈变化的环境？如何获得长远发展是企业发展面临的新课题。新的变化需要新的企业管理思维。本课程采用系列讲座方式，通过丰富的案例、通俗的形式和生动的语言，向观众介绍企业发展与管理思维、战略管理与新思维、组织管理与新思维、领导与新思维、控制与新思维5个相关知识，旨在传授企业管理知识的同时提高观众的企业管理思维水平。