Das zweite Modul "Business with Deep Learning & Machine Learning" konzentriert sich zunächst in der Vorlesung "Business Considerations in the Machine Learning Era" auf verschiedene geschäftliche Überlegungen, die auf den Veränderungen beruhen, die durch die DL- (Deep Learning) und ML- (Machine Learning) Technologie zu erwarten sind In der folgenden Vorlesung "Business Strategy with Machine Learning & Deep Learning" werden die Veränderungen erläutert, die notwendig sind, um in der Wirtschaft erfolgreicher zu sein, und es wird ein Beispiel für die Modellierung einer Geschäftsstrategie anhand der drei Phasen Vorbereitung, Geschäftsmodellierung und Modellüberprüfung und -anpassung gegeben. Der nächste Vortrag "Warum ist Deep Learning jetzt so populär?" erklärt die Veränderungen in den jüngsten Technologien und Unterstützungssystemen, die es den DL-Systemen ermöglichen, mit erstaunlicher Geschwindigkeit, Genauigkeit und Zuverlässigkeit zu arbeiten. Der letzte Vortrag "Merkmale von Unternehmen mit DL & ML" erklärt zunächst die Merkmale von DL- und ML-basierten Unternehmen auf der Grundlage von Datentypen, gefolgt von DL- & ML-Einsatzoptionen, der Wettbewerbslandschaft und zukünftigen Möglichkeiten.

Das dritte Modul "Deep Learning Computing Systems & Software" konzentriert sich auf die wichtigsten DL (Deep Learning) und ML (Machine Learning) Systeme und Software. Mit Ausnahme des NVIDIA DGX-1 sind die in diesem Modul vorgestellten DL-Systeme und Software unverkäuflich und scheinen daher auf den ersten Blick für Unternehmen nicht wichtig zu sein. Aber in Wirklichkeit sind die Unternehmen, die diese Systeme und Software entwickelt haben, die wahren Führer der zukünftigen DL- und ML-Geschäftsära. Daher führt dieses Modul in den wahren Stand der DL- und ML-Technologie ein. In der ersten Vorlesung werden die populärsten DL-Open-Source-Programme TensorFlow, CNTK (Cognitive Toolkit), Keras, Caffe und Theano und ihre Eigenschaften vorgestellt. Aufgrund ihrer Popularität, ihres starken Einflusses und ihrer vielfältigen Fähigkeiten werden in den folgenden Vorträgen die Details von Google TensorFlow und Microsoft CNTK vorgestellt. Als Nächstes wird der Supercomputer DGX-1 von NVIDIA vorgestellt, der über eine vollständig integrierte, maßgeschneiderte DL-Hardware und -Software verfügt. In den folgenden Vorträgen wird der interessanteste Wettbewerb zwischen Mensch und Maschine in der Google AlphaGo Vorlesung vorgestellt und in der ILSVRC (ImageNet Large Scale Visual Recognition Challenge) Vorlesung werden die Ergebnisse des Wettbewerbs zwischen hochmodernen DL-Systemen vorgestellt und die Siegerleistung für jedes Jahr verglichen.

Das Modul "Grundlagen von Deep Learning Neural Networks" konzentriert sich zunächst auf die Erläuterung der technischen Unterschiede von AI (Künstliche Intelligenz), ML (Maschinelles Lernen) und DL (Deep Learning) in der ersten Vorlesung mit dem Titel "Was ist DL (Deep Learning) und ML (Maschinelles Lernen)" Darüber hinaus werden die Merkmale der bei DL verwendeten CPUs (Central Processing Units) und GPUs (Graphics Processing Units) sowie die repräsentativen Computerleistungseinheiten FLOPS (FLoating-Point Operations Per Second) und IPS (Instructions Per Second) vorgestellt. Als nächstes wird in der NN (Neuronales Netzwerk) Vorlesung das biologische Neuron (Nervenzelle) und seine Signalübertragung vorgestellt, gefolgt von einem ANN (Künstliches Neuronales Netzwerk) Modell eines Neurons, das auf einer Schwellenlogikeinheit und weichen Ausgangsaktivierungsfunktionen basiert. Dann werden die erweiterten NN-Technologien, die MLP (Multi-Layer Perceptron), SoftMax und AutoEncoder verwenden, erläutert. In der letzten Vorlesung des Moduls wird das NN-Lernen auf der Grundlage von Backpropagation zusammen mit den Lernmethoden vorgestellt, zu denen überwachtes Lernen, unbeaufsichtigtes Lernen, halbüberwachtes Lernen und verstärkendes Lernen gehören.

Das Modul "Deep Learning mit CNN & RNN" konzentriert sich auf die CNN (Convolutional Neural Network) und RNN (Recurrent Neural Network) Technologie, die DL (Deep Learning) ermöglicht. Zunächst wird erläutert, wie CNNs, die in der Bild-/Videoerkennung, in Empfehlungssystemen, in der Verarbeitung natürlicher Sprache und in Spielen (wie Schach und Go) eingesetzt werden, durch die Verarbeitung in der Faltungsschicht und in Feature Maps ermöglicht werden. Der Vortrag stellt auch vor, wie CNNs Subsampling (Pooling), LCN (Local Contrast Normalization), Dropout, Ensemble und Bagging-Technologie verwenden, um effizienter, zuverlässiger, robuster und genauer zu werden. Als nächstes wird vorgestellt, wie DL mit RNN in der Spracherkennung (wie in Apples Siri, Googles Voice Search und Samsungs S Voice), der Handschrifterkennung, der Sequenzdatenanalyse und der Programmcodegenerierung eingesetzt wird. Dann werden die Details der RNN-Technologien vorgestellt, darunter S2S (Sequence to Sequence) Lernen, Forward RNN, Backward RNN, Repräsentationstechniken, kontextbasierte Projektion und Repräsentation mit Aufmerksamkeit. Im letzten Teil des Moduls werden das frühe Modell von RNN, das FRNN (Fully Recurrent NN), und das derzeit beliebte RNN-Modell LSTM (Long Short-Term Memory) vorgestellt.

Das Modul "Deep Learning Project with TensorFlow Playground" konzentriert sich auf vier NN (Neural Network) Design-Projekte, bei denen Sie mit Hilfe einer unterhaltsamen und leistungsstarken Anwendung namens TensorFlow Playground Erfahrungen mit dem Design von DL (Deep Learning) NNs sammeln können. In den Vorlesungen lernen Sie zunächst, wie Sie den TensorFlow Playground verwenden. Anschließend erhalten Sie eine Anleitung für drei Projekte, mit denen Sie auf einfache Weise Erfahrung mit dem TensorFlow Playground System sammeln können. In Projekt 4 wird dann eine "DL NN Design Challenge" gegeben, bei der Sie das NN "Tiefer" machen müssen, indem Sie versteckte Schichten und Neuronen hinzufügen, um die Klassifizierungsziele zu erfüllen. Das Wissen, das Sie in den Vorlesungen der Module 1~5 erworben haben, wird in diesen Projekten verwendet.