Kvantumgépes tanulás: An Applied Approach (Alkalmazott megközelítés): A kvantummechanikai tanulás elmélete és alkalmazása a tudományban és az iparban

Olvasói vélemények

A Quantum Machine Learning (QML) című könyv vegyes kritikákat kapott a felhasználóktól: egyesek dicsérik a mélységét és a gyakorlati példákat, míg mások az írásmódját és a magyarázatok érthetőségét kritizálják, különösen a kezdők számára. Úgy vélik, hogy ez egy professzionális szintű szöveg, amelyhez előzetes ismeretekre van szükség.

A könyv jelentős hiányt pótol a kvantummechanikai tanulás területén, és gyakorlati példákat, D-Wave platformokon történő programozást és részletes magyarázatokat tartalmaz. Átfogó forrásként írják le a megfelelő ismeretekkel rendelkező szakemberek, diákok és kutatók számára.

Az írást kritizálják, hogy rosszul strukturált és nem elég világos, különösen a kezdők számára. Bizonyos kulcsfogalmak és -kifejezések nincsenek megfelelően definiálva a bevezetésük előtt, ami egyes olvasókat frusztrálttá tesz. A kötetet alkalmatlannak tartják azok számára, akik nem rendelkeznek alapvető ismeretekkel a kvantumszámítástechnikáról.

(4 olvasói vélemény alapján)

Eredeti címe:

Quantum Machine Learning: An Applied Approach: The Theory and Application of Quantum Machine Learning in Science and Industry

Könyv tartalma:

Tudja, hogyan kell adaptálni a kvantumszámítási és gépi tanulási algoritmusokat. Ez a könyv elviszi Önt a gyakorlati kvantumgépes tanulásba (QML) az iparban és a kutatásban elérhető különböző lehetőségeken keresztül.

Az első három fejezet betekintést nyújt a kvantummechanika tudományának és a gépi tanulás technikáinak kombinációjába, ahol a klasszikus informatika fogalmai találkoznak a fizika erejével. A további fejezetek szisztematikus mélymerülést követnek a különböző kvantum-gépi tanulási algoritmusok, a kvantumoptimalizálás, a fejlett QML-algoritmusok alkalmazásai (kvantum k-means, kvantum k-mediánok, kvantum neurális hálózatok stb. ), a qubit-állapotok előkészítése az egyes QML-algoritmusokhoz, következtetés, polinomiális Hamilton-szimuláció stb. témakörökben, majd olyan fejlett és naprakész kutatási területekkel zárul, mint a kvantumséták, a QML a Tensorhálózatokon keresztül és a QBoost.

A kötetben olyan, az iparban és a kutatásban ma már rendszeresen használt nyílt forráskódú könyvtárak gyakorlati feladatai szerepelnek, mint a Qiskit, a Rigetti's Forest, a D-Wave's dOcean, a Google Cirq és a vadonatúj TensorFlow Quantum, valamint a Xanadu's PennyLane, amelyeket vezetett végrehajtási utasítások kísérnek. Ahol alkalmazható, a könyv a kvantumszámítási és gépi tanulási ökoszisztémák elérésének különböző lehetőségeit is megosztja, amelyek az egyes algoritmusok szempontjából relevánsak lehetnek.

A könyv gyakorlatias megközelítést kínál a QML területéhez, felhasználva e feltörekvő terület naprakész könyvtárait és algoritmusait. Ön profitálhat a konkrét példákból és a kvantumszámítástechnikai ökoszisztéma által fellendített intelligens rendszerek építéséhez szükséges eszközök és koncepciók megértéséből. Ez a munka a szerző aktív kutatásait hasznosítja a területen, és a könyvhöz egy folyamatosan frissített weboldal is tartozik, amely az összes kódpéldát tartalmazza.

Mit fogsz tanulni

⬤ Megérti és felfedezi a kvantumszámítást és a kvantum gépi tanulást, valamint ezek alkalmazását a tudományban és az iparban.

⬤ Tudjon meg különböző adatképzési modelleket a kvantum gépi tanulás algoritmusait és Python könyvtárakat használva.

⬤ Megismerkedhet az alkalmazott kvantumszámítástechnikával, beleértve a szabadon elérhető felhőalapú hozzáférést is.

⬤ Ismerkedjen meg a kvantum neurális hálózatok képzésére és skálázására szolgáló technikákkal.

⬤ Történjen betekintést a gyakorlati kódpéldák alkalmazásába anélkül, hogy túlzott gépi tanuláselméletet kellene elsajátítania vagy kvantummechanikai mélymerülést végeznie.

Kinek szól ez a könyv

Adattudósok, gépi tanulással foglalkozó szakemberek és kutatók.