Kvantové strojové učenie: Aplikovaný prístup: Teória a aplikácia kvantového strojového učenia vo vede a priemysle

Recenzie čitateľov

Kniha o kvantovom strojovom učení (QML) získala od používateľov zmiešané recenzie, pričom niektorí chvália jej hĺbku a praktické príklady, zatiaľ čo iní kritizujú jej štýl písania a zrozumiteľnosť, najmä pre začiatočníkov. Vnímajú ju ako text na profesionálnej úrovni, ktorý si vyžaduje predchádzajúce znalosti.

Kniha vypĺňa významnú medzeru v oblasti kvantového strojového učenia a obsahuje praktické príklady, programovanie na platformách D-Wave a podrobné vysvetlenia. Opisuje sa ako komplexný zdroj informácií pre odborníkov, študentov a výskumníkov s príslušnými znalosťami.

Písanie je kritizované za zlú štruktúru a nedostatočnú zrozumiteľnosť, najmä pre začiatočníkov. Niektoré kľúčové termíny a pojmy nie sú pred ich uvedením dostatočne definované, čo niektorých čitateľov frustruje. Považuje sa za nevhodnú pre tých, ktorí nemajú základné znalosti kvantovej informatiky.

(na základe 4 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Vedieť prispôsobiť kvantové výpočty a algoritmy strojového učenia. Táto kniha vás zavedie na cestu do praktického kvantového strojového učenia (QML) prostredníctvom rôznych možností dostupných v priemysle a výskume.

Prvé tri kapitoly ponúkajú pohľad na kombináciu vedy kvantovej mechaniky a techník strojového učenia, kde sa koncepty klasickej informačnej technológie stretávajú so silou fyziky. V ďalších kapitolách nasleduje systematický hlboký ponor do rôznych algoritmov kvantového strojového učenia, kvantovej optimalizácie, aplikácií pokročilých algoritmov QML (kvantové k-mediány, kvantové k-mediány, kvantové neurónové siete atď. ), prípravy qubitových stavov pre konkrétne algoritmy QML, inferencie, polynomiálnej hamiltonovskej simulácie a ďalších oblastí, ktoré končia pokročilými a aktuálnymi oblasťami výskumu, ako sú kvantové prechádzky, QML prostredníctvom tenzorových sietí a QBoost.

Súčasťou sú praktické cvičenia z knižníc s otvoreným zdrojovým kódom, ktoré sa dnes pravidelne používajú v priemysle a výskume, ako napríklad Qiskit, Rigettiho Forest, dOcean od D-Wave, Cirq od Google a úplne nový TensorFlow Quantum a PennyLane od Xanadu, doplnené o návody na implementáciu. V prípade potreby sa v knihe uvádzajú aj rôzne možnosti prístupu ku kvantovým výpočtom a ekosystémom strojového učenia, ktoré môžu byť relevantné pre konkrétne algoritmy.

Kniha ponúka praktický prístup k oblasti QML s využitím aktualizovaných knižníc a algoritmov v tejto rozvíjajúcej sa oblasti. Prínosom pre vás budú konkrétne príklady a pochopenie nástrojov a konceptov na budovanie inteligentných systémov posilnených ekosystémom kvantovej výpočtovej techniky. Toto dielo využíva autorov aktívny výskum v tejto oblasti a je sprevádzané neustále aktualizovanou webovou stránkou knihy, ktorá poskytuje všetky príklady kódu.

Čo sa naučíte

⬤ Pochopiť a preskúmať kvantové výpočty a kvantové strojové učenie a ich využitie vo vede a priemysle.

⬤ Preskúmať rôzne modely na trénovanie údajov s využitím algoritmov kvantového strojového učenia a knižníc jazyka Python.

⬤ Získajte praktické skúsenosti a oboznámte sa s aplikovanými kvantovými výpočtami vrátane voľne dostupného cloudového prístupu.

⬤ Oboznámte sa s technikami na trénovanie a škálovanie kvantových neurónových sietí.

⬤ Získať prehľad o aplikácii praktických príkladov kódu bez toho, aby ste si museli osvojiť nadmernú teóriu strojového učenia alebo sa hlboko ponoriť do kvantovej mechaniky.

Pre koho je táto kniha určená

Dátovým vedcom, odborníkom na strojové učenie a výskumníkom.