第二个模块 "深度学习和机器学习的商业 "首先在讲座 "机器学习时代的商业考量 "中重点介绍了基于 DL（深度学习）和 ML（机器学习）技术带来的变化的各种商业考量。在接下来的讲座 "使用机器学习和深度学习的商业战略 "中，将解释为了在商业中取得更大成功而需要做出的改变，并提供一个基于准备、商业建模、模型重新检查和调整三个阶段的商业战略建模示例。下一讲 "为什么深度学习现在很流行？"解释了近期技术和支持系统的变化，这些变化使深度学习系统能够以惊人的速度、准确性和可靠性运行。最后一讲 "使用 DL 和 ML 的业务特点 "首先解释了基于数据类型的 DL 和 ML 业务特点，随后还介绍了 DL 和 ML 部署选项、竞争格局和未来机遇。

第三个模块 "深度学习计算系统和软件 "主要介绍最重要的 DL（深度学习）和 ML（机器学习）系统和软件。除了英伟达™（NVIDIA®）DGX-1之外，本模块中介绍的DL系统和软件都是非卖品，因此乍一看似乎对企业并不重要。但实际上，创建这些系统和软件的公司才是未来 DL 和 ML 商业时代的真正领导者。因此，本模块将介绍最先进的 DL 和 ML 技术。第一讲介绍了最流行的 DL 开源软件 TensorFlow、CNTK（认知工具包）、Keras、Caffe、Theano 及其特点。由于谷歌 TensorFlow 和微软 CNTK 的流行程度高、影响力大、功能多样，接下来的讲座将详细介绍这两款软件。接下来，将介绍英伟达公司的超级计算机DGX-1，它完全集成了定制的DL硬件和软件。在接下来的讲座中，Google AlphaGo 讲座介绍了最有趣的人机竞赛，而 ILSVRC（ImageNet 大规模视觉识别挑战赛）讲座则介绍了尖端 DL 系统之间的竞赛结果，并比较了每年的获胜成绩。

深度学习神经网络基础》模块首先在题为 "什么是深度学习（DL）和机器学习（ML）"的第一讲中重点讲解了人工智能（AI）、机器学习（ML）和深度学习（DL）的技术区别。此外，还介绍了 DL 中使用的 CPU（中央处理器）和 GPU（图形处理器）的特性，以及具有代表性的计算机性能单位 FLOPS（每秒浮点运算次数）和 IPS（每秒指令数）。接着，在 NN（神经网络）讲座中，介绍了生物神经元（神经细胞）及其信号传输，然后介绍了基于阈值逻辑单元和软输出激活函数的神经元 ANN（人工神经网络）模型。然后，讲解使用 MLP（多层感知器）、SoftMax 和 AutoEncoder 的扩展 NN 技术。在本模块的最后一讲中，介绍了基于反向传播的 NN 学习以及学习方法类型，包括监督学习、无监督学习、半监督学习和强化学习。

使用 CNN 和 RNN 进行深度学习 "模块重点介绍实现深度学习的 CNN（卷积神经网络）和 RNN（循环神经网络）技术。首先，讲座介绍了在图像/视频识别、推荐系统、自然语言处理和游戏（如国际象棋和围棋）中使用的 CNN 是如何通过卷积层和特征图的处理实现的。讲座还介绍了 CNN 如何使用子采样（池化）、LCN（局部对比度归一化）、剔除、集合和装袋技术来提高效率、可靠性、鲁棒性和准确性。接下来，讲座将介绍使用 RNN 的 DL 如何用于语音识别（如苹果的 Siri、谷歌的语音搜索和三星的 S Voice）、手写识别、序列数据分析和程序代码生成。然后介绍了 RNN 技术的细节，包括 S2S（序列到序列）学习、前向 RNN、后向 RNN、表示技术、基于上下文的投影和注意力表示。在本模块的最后一部分，介绍了 RNN 的早期模型 FRNN（全递归 RNN）和目前流行的 RNN 模型 LSTM（长短期记忆）。

使用 TensorFlow Playground 的深度学习项目 "模块侧重于四个 NN（神经网络）设计项目，通过使用一个有趣而强大的应用程序 TensorFlow Playground，可以获得设计 DL（深度学习）NN 的经验。讲座首先会教授如何使用 TensorFlow Playground，随后会对三个项目进行指导，让您轻松积累 TensorFlow Playground 系统的使用经验。然后在项目 4 中给出了一个 "DL NN 设计挑战"，你需要通过增加隐藏层和神经元使 NN 更 "深入"，以满足分类目标。您在模块 1~5 讲座中获得的知识将用于这些项目。