Le deuxième module "Business with Deep Learning & Machine Learning" se concentre d'abord sur diverses considérations commerciales basées sur les changements à venir dus aux technologies DL (Deep Learning) et ML (Machine Learning) dans la conférence "Business Considerations in the Machine Learning Era" (Considérations commerciales à l'ère de l'apprentissage automatique) La conférence suivante, intitulée "Business Strategy with Machine Learning & Deep Learning", explique les changements nécessaires pour mieux réussir dans les affaires et fournit un exemple de modélisation de stratégie d'entreprise basée sur les trois étapes de préparation, de modélisation d'entreprise et de revérification et d'adaptation du modèle. L'exposé suivant, intitulé "Pourquoi l'apprentissage profond est-il populaire aujourd'hui ?", explique les changements intervenus récemment dans la technologie et les systèmes de soutien qui permettent aux systèmes d'apprentissage profond de fonctionner avec une rapidité, une précision et une fiabilité étonnantes. Le dernier exposé, intitulé "Caractéristiques des entreprises utilisant l'apprentissage profond et la modélisation moléculaire", explique tout d'abord les caractéristiques des entreprises basées sur l'apprentissage profond et la modélisation moléculaire en fonction des types de données, puis les options de déploiement de l'apprentissage profond et de la modélisation moléculaire, le paysage concurrentiel et les opportunités futures sont également présentés.

Le troisième module "Systèmes et logiciels informatiques d'apprentissage profond" se concentre sur les systèmes et logiciels d'apprentissage profond (DL) et d'apprentissage automatique (ML) les plus importants. À l'exception du NVIDIA DGX-1, les systèmes et logiciels d'apprentissage profond présentés dans ce module ne sont pas à vendre et ne semblent donc pas importants pour les entreprises à première vue. Mais en réalité, les entreprises qui ont créé ces systèmes et logiciels sont les véritables leaders de la future ère commerciale DL et ML. C'est pourquoi ce module présente l'état de l'art de la technologie DL et ML. Le premier cours présente les logiciels open source de DL les plus populaires, TensorFlow, CNTK (Cognitive Toolkit), Keras, Caffe, Theano, ainsi que leurs caractéristiques. En raison de leur popularité, de leur forte influence et de leurs diverses capacités, les exposés suivants présentent en détail Google TensorFlow et Microsoft CNTK. Ensuite, le supercalculateur DGX-1 de NVIDIA, dont le matériel et le logiciel DL personnalisés sont entièrement intégrés, est présenté. Dans les conférences suivantes, la compétition la plus intéressante entre l'homme et la machine est présentée dans la conférence Google AlphaGo, et dans la conférence ILSVRC (ImageNet Large Scale Visual Recognition Challenge), les résultats de la compétition entre les systèmes de DL de pointe sont présentés et les performances gagnantes pour chaque année sont comparées.

Le module "Bases des réseaux neuronaux d'apprentissage profond" se concentre tout d'abord sur l'explication des différences techniques entre l'IA (Intelligence Artificielle), le ML (Machine Learning) et le DL (Deep Learning) dans la première conférence intitulée "Qu'est-ce que le DL (Deep Learning) et le ML (Machine Learning)" En outre, les caractéristiques des CPU (Central Processing Units) et des GPU (Graphics Processing Units) utilisés dans le DL ainsi que les unités de performance informatique représentatives de FLOPS (FLoating-Point Operations Per Second) et d'IPS (Instructions Per Second) sont présentées. Ensuite, dans l'exposé sur les réseaux neuronaux, le neurone biologique (cellule nerveuse) et son transfert de signal sont présentés, suivis d'un modèle ANN (réseau neuronal artificiel) d'un neurone basé sur une unité logique à seuil et des fonctions d'activation à sortie souple. Ensuite, les technologies NN étendues qui utilisent le MLP (Perceptron multicouche), SoftMax, et AutoEncoder sont expliquées. Dans le dernier cours du module, l'apprentissage NN basé sur la rétropropagation est présenté ainsi que les types de méthodes d'apprentissage, qui comprennent l'apprentissage supervisé, l'apprentissage non supervisé, l'apprentissage semi-supervisé et l'apprentissage par renforcement.

Le module "Deep Learning with CNN & RNN" se concentre sur les technologies CNN (Convolutional Neural Network) et RNN (Recurrent Neural Network) qui permettent le DL (Deep Learning). Les cours présentent d'abord comment les CNN utilisés dans la reconnaissance d'images/vidéos, les systèmes de recommandation, le traitement du langage naturel et les jeux (comme les échecs et le jeu de Go) sont rendus possibles par le traitement dans la couche convolutive et les cartes de caractéristiques. L'exposé présente également la manière dont les CNN utilisent le sous-échantillonnage (pooling), la LCN (normalisation locale du contraste), l'abandon, l'ensemble et la technologie du bagging pour devenir plus efficaces, plus fiables, plus robustes et plus précis. Ensuite, les conférences présentent la manière dont le DL avec RNN est utilisé dans la reconnaissance vocale (comme dans Siri d'Apple, Voice Search de Google et S Voice de Samsung), la reconnaissance de l'écriture manuscrite, l'analyse de données séquentielles et la génération de code de programme. Ensuite, les détails des technologies RNN sont introduits, notamment l'apprentissage S2S (Sequence to Sequence), le RNN en avant, le RNN en arrière, les techniques de représentation, la projection basée sur le contexte et la représentation avec attention. La dernière partie du module présente le premier modèle de RNN, le FRNN (Fully Recurrent NN), et le modèle RNN actuellement le plus populaire, le LSTM (Long Short-Term Memory).

Le module "Deep Learning Project with TensorFlow Playground" se concentre sur quatre projets de conception de NN (Neural Network), où l'expérience sur la conception de NN DL (Deep Learning) peut être acquise en utilisant une application amusante et puissante appelée TensorFlow Playground. Les cours enseignent d'abord comment utiliser le TensorFlow Playground, suivi de conseils sur trois projets afin que vous puissiez facilement acquérir de l'expérience dans l'utilisation du système TensorFlow Playground. Ensuite, dans le projet 4, un "DL NN Design Challenge" est donné, où vous devrez rendre le NN "plus profond" en ajoutant des couches cachées et des neurones pour satisfaire les objectifs de classification. Les connaissances que vous avez acquises dans les cours des modules 1~5 seront utilisées dans ces projets.