Ocena:
Książka ma na celu zapewnienie wglądu w kwantowe uczenie maszynowe, ale w dużej mierze nie spełnia oczekiwań, zawierając łatwo dostępny materiał, a nie dogłębne przewodniki lub oryginalne treści. Najlepiej nadaje się dla praktyków, którzy mają już pewne doświadczenie w obliczeniach kwantowych. Chociaż oferuje przydatne informacje, brakuje jej oryginalności i głębi, co czyni ją mniej wartościową dla osób posiadających już wiedzę w tej dziedzinie.
Zalety:⬤ Niektóre treści są dobrze napisanymi materiałami wprowadzającymi
⬤ przydatne dla praktyków chcących nauczyć się obliczeń kwantowych
⬤ obejmuje podstawowe tematy kwantowego uczenia maszynowego.
⬤ Brak głębi i oryginalności
⬤ głównie zbiór istniejących zasobów
⬤ wiele literówek
⬤ słabe wyjaśnienia kodu
⬤ wymaga poprawy w aspektach pedagogicznych
⬤ może nie być warta zakupu dla osób zaznajomionych z tematem.
(na podstawie 6 opinii czytelników)
Quantum Machine Learning with Python: Using Cirq from Google Research and IBM Qiskit
Szybkie skalowanie do podstaw obliczeń kwantowych i kwantowego uczenia maszynowego oraz związanej z nimi matematyki i wystawianie ich na różne przypadki użycia, które można rozwiązać za pomocą algorytmów opartych na kwantach. Niniejsza książka wyjaśnia, czym są obliczenia kwantowe, które wykorzystują kwantowe właściwości mechaniczne cząstek subatomowych. Analizuje również kwantowe uczenie maszynowe, które może pomóc w rozwiązaniu niektórych z najtrudniejszych problemów w prognozowaniu, modelowaniu finansowym, genomice, cyberbezpieczeństwie, logistyce łańcucha dostaw i kryptografii.
Rozpoczniesz od przeglądu podstawowych koncepcji obliczeń kwantowych, takich jak notacje Diraca, kubity i stan Bella, a następnie postulaty i matematyczne podstawy obliczeń kwantowych. Po ustaleniu podstaw, zagłębisz się w algorytmy kwantowe, w tym między innymi kwantową transformatę Fouriera, estymację fazy i HHL (Harrow-Hassidim-Lloyd).
Następnie zostaniesz wprowadzony do kwantowego uczenia maszynowego i algorytmów opartych na głębokim uczeniu kwantowym, wraz z zaawansowanymi tematami kwantowych procesów adiabatycznych i optymalizacji opartej na kwantach. W całej książce znajdują się implementacje Pythona różnych algorytmów kwantowego uczenia maszynowego i obliczeń kwantowych przy użyciu zestawu narzędzi Qiskit firmy IBM i Cirq firmy Google Research.
Czego się nauczysz
⬤ Zrozumieć obliczenia kwantowe i kwantowe uczenie maszynowe.
⬤ Zbadać różne dziedziny i scenariusze, w których można zastosować rozwiązania kwantowego uczenia maszynowego.
⬤ Rozwijać wiedzę specjalistyczną w zakresie opracowywania algorytmów w różnych strukturach obliczeń kwantowych.
⬤ Zapoznanie się z głównymi wyzwaniami związanymi z budową komputerów kwantowych na dużą skalę i zastosowaniem różnych technik.
Dla kogo jest ta książka
Entuzjaści uczenia maszynowego i inżynierowie, którzy chcą szybko skalować się do kwantowego uczenia maszynowego.
