Quantum Machine Learning: O abordare aplicată: Teoria și aplicarea învățării automate cuantice în știință și industrie

Recenzii ale cititorilor

Cartea Quantum Machine Learning (QML) a primit recenzii mixte din partea utilizatorilor, unii lăudându-i profunzimea și exemplele practice, în timp ce alții îi critică stilul de scriere și claritatea explicativă, în special pentru începători. Cartea este percepută ca un text de nivel profesional care necesită cunoștințe prealabile.

Cartea umple un gol semnificativ în domeniul învățării cuantice a mașinilor și include exemple practice, programare pe platforme D-Wave și explicații detaliate. Este descrisă ca o resursă cuprinzătoare pentru profesioniști, studenți și cercetători cu cunoștințe relevante.

Scrierea este criticată pentru că este slab structurată și lipsită de claritate, în special pentru începători. Anumiți termeni și concepte cheie nu sunt definiți în mod adecvat înainte de a fi introduși, lăsând unii cititori frustrați. Cartea este considerată nepotrivită pentru cei care nu au o înțelegere fundamentală a calculului cuantic.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Aflați cum să adaptați algoritmii de calcul cuantic și de învățare automată. Această carte vă poartă într-o călătorie în învățarea cuantică practică a mașinilor (QML) prin diverse opțiuni disponibile în industrie și cercetare.

Primele trei capitole oferă o perspectivă asupra combinației dintre știința mecanicii cuantice și tehnicile de învățare automată, unde conceptele tehnologiei clasice a informației întâlnesc puterea fizicii. Capitolele următoare urmează o scufundare sistematică în diverși algoritmi cuantici de învățare automată, optimizare cuantică, aplicații ale algoritmilor avansați QML (quantum k-means, quantum k-medians, rețele neuronale cuantice etc. ), pregătirea stării qubit pentru algoritmi specifici QML, inferență, simulare hamiltoniană polinomială și multe altele, terminând cu domenii de cercetare avansate și actualizate, cum ar fi plimbările cuantice, QML prin rețele tensoriale și QBoost.

Sunt incluse exerciții practice din biblioteci open source utilizate în mod regulat astăzi în industrie și cercetare, cum ar fi Qiskit, Rigetti's Forest, D-Wave's dOcean, Google's Cirq și noul TensorFlow Quantum, precum și Xanadu's PennyLane, însoțite de instrucțiuni de implementare ghidate. Acolo unde este cazul, cartea împărtășește, de asemenea, diverse opțiuni de accesare a ecosistemelor de calcul cuantic și de învățare automată care pot fi relevante pentru algoritmi specifici.

Cartea oferă o abordare practică a domeniului QML folosind biblioteci și algoritmi actualizați în acest domeniu emergent. Veți beneficia de exemple concrete și de înțelegerea instrumentelor și conceptelor pentru construirea de sisteme inteligente potențate de ecosistemul de calcul cuantic. Această lucrare valorifică cercetarea activă a autorului în domeniu și este însoțită de un site web actualizat constant pentru carte care oferă toate exemplele de cod.

Ce veți învăța

⬤ Înțelegeți și explorați calculul cuantic și învățarea automată cuantică, precum și aplicarea lor în știință și industrie.

⬤ Explorați diverse modele de formare a datelor utilizând algoritmi cuantici de învățare automată și biblioteci Python.

⬤ Să se familiarizeze cu calculul cuantic aplicat, inclusiv cu accesul gratuit la cloud.

⬤ Familiarizați-vă cu tehnicile de formare și scalare a rețelelor neuronale cuantice.

⬤ Obțineți o perspectivă asupra aplicării exemplelor practice de cod fără a fi nevoie să dobândiți o teorie excesivă de învățare a mașinilor sau să faceți o scufundare profundă în mecanica cuantică.

Pentru cine este această carte

Oameni de știință de date, profesioniști în învățarea automată și cercetători.