Kwantowe uczenie maszynowe: Podejście stosowane: Teoria i zastosowanie kwantowego uczenia maszynowego w nauce i przemyśle

Opinie czytelników

Książka o kwantowym uczeniu maszynowym (QML) otrzymała mieszane recenzje od użytkowników, z których niektórzy chwalą jej głębię i praktyczne przykłady, podczas gdy inni krytykują jej styl pisania i przejrzystość wyjaśnień, szczególnie dla początkujących. Jest ona postrzegana jako tekst na poziomie profesjonalnym, który wymaga wcześniejszej wiedzy.

Książka wypełnia istotną lukę w dziedzinie kwantowego uczenia maszynowego i zawiera praktyczne przykłady, programowanie na platformach D-Wave oraz szczegółowe wyjaśnienia. Jest opisywana jako kompleksowe źródło wiedzy dla profesjonalistów, studentów i badaczy posiadających odpowiednią wiedzę.

Tekst jest krytykowany za słabą strukturę i brak przejrzystości, szczególnie dla początkujących. Niektóre kluczowe terminy i koncepcje nie są odpowiednio zdefiniowane przed ich wprowadzeniem, przez co niektórzy czytelnicy są sfrustrowani. Książka jest uważana za nieodpowiednią dla osób nieposiadających podstawowej wiedzy na temat obliczeń kwantowych.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Dowiedz się, jak dostosować algorytmy obliczeń kwantowych i uczenia maszynowego. Ta książka zabierze Cię w podróż do praktycznego kwantowego uczenia maszynowego (QML) poprzez różne opcje dostępne w przemyśle i badaniach.

Pierwsze trzy rozdziały oferują wgląd w połączenie nauki mechaniki kwantowej i technik uczenia maszynowego, gdzie koncepcje klasycznej technologii informacyjnej spotykają się z mocą fizyki. Kolejne rozdziały systematycznie zagłębiają się w różne algorytmy kwantowego uczenia maszynowego, optymalizację kwantową, zastosowania zaawansowanych algorytmów QML (kwantowe k-średnich, kwantowe k-mediany, kwantowe sieci neuronowe itp. ), przygotowanie stanu kubitów dla określonych algorytmów QML, wnioskowanie, wielomianową symulację Hamiltonianu i nie tylko, kończąc na zaawansowanych i aktualnych obszarach badawczych, takich jak kwantowe spacery, QML za pośrednictwem sieci Tensor i QBoost.

Książka zawiera praktyczne ćwiczenia z bibliotek open source regularnie używanych obecnie w przemyśle i badaniach, takich jak Qiskit, Rigetti's Forest, D-Wave's dOcean, Google's Cirq i zupełnie nowy TensorFlow Quantum oraz Xanadu's PennyLane, wraz z instrukcjami implementacji. Tam, gdzie ma to zastosowanie, książka dzieli się również różnymi opcjami dostępu do ekosystemów obliczeń kwantowych i uczenia maszynowego, które mogą być istotne dla określonych algorytmów.

Książka oferuje praktyczne podejście do dziedziny QML przy użyciu zaktualizowanych bibliotek i algorytmów w tej rozwijającej się dziedzinie. Czytelnik skorzysta na konkretnych przykładach i zrozumie narzędzia oraz koncepcje budowania inteligentnych systemów wspieranych przez ekosystem obliczeń kwantowych. Praca ta wykorzystuje aktywne badania autora w tej dziedzinie i towarzyszy jej stale aktualizowana strona internetowa książki, która zawiera wszystkie przykłady kodu.

Czego się nauczysz

⬤ Zrozumieć i zbadać obliczenia kwantowe i kwantowe uczenie maszynowe oraz ich zastosowanie w nauce i przemyśle.

⬤ Poznasz różne modele uczenia danych wykorzystujące algorytmy kwantowego uczenia maszynowego i biblioteki Pythona.

⬤ Praktyczne zapoznanie się ze stosowanymi obliczeniami kwantowymi, w tym z bezpłatnym dostępem w chmurze.

⬤ Zapoznanie się z technikami szkolenia i skalowania kwantowych sieci neuronowych.

⬤ Uzyskanie wglądu w zastosowanie praktycznych przykładów kodu bez konieczności przyswajania nadmiernej teorii uczenia maszynowego lub głębokiego nurkowania w mechanice kwantowej.

Dla kogo jest ta książka

Naukowcy zajmujący się danymi, specjaliści od uczenia maszynowego i badacze.