Buch, Englisch, 287 Seiten, HC runder Rücken kaschiert, Format (B × H): 160 mm x 241 mm, Gewicht: 623 g
Buch, Englisch, 287 Seiten, HC runder Rücken kaschiert, Format (B × H): 160 mm x 241 mm, Gewicht: 623 g
Reihe: Quantum Science and Technology
ISBN: 978-3-319-96423-2
Verlag: Springer International Publishing
Zielgruppe
Research
Autoren/Hrsg.
Fachgebiete
- Mathematik | Informatik EDV | Informatik Technische Informatik Quantencomputer, DNA-Computing
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Maschinelles Lernen
- Naturwissenschaften Physik Thermodynamik Festkörperphysik, Kondensierte Materie
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Mustererkennung, Biometrik
- Naturwissenschaften Physik Physik Allgemein Theoretische Physik, Mathematische Physik, Computerphysik
- Naturwissenschaften Physik Quantenphysik
Weitere Infos & Material
Introduction.- Background.- How quantum computers can classify data.- Organisation of the book.- Machine Learning.- Prediction.- Models.- Training.- Methods in machine learning.- Quantum Information.- Introduction to quantum theory.- Introduction to quantum computing.- An example: The Deutsch-Josza algorithm.- Strategies of information encoding.- Important quantum routines.- Quantum advantages.- Computational complexity of learning.- Sample complexity.- Model complexity.- Information encoding.- Basis encoding.- Amplitude encoding.- Qsample encoding.- Hamiltonian encoding.- Quantum computing for inference.- Linear models.- Kernel methods.- Probabilistic models.- Quantum computing for training.- Quantum blas.- Search and amplitude amplification.- Hybrid training for variational algorithms.- Quantum adiabatic machine learning.- Learning with quantum models.- Quantum extensions of Ising-type models.- Variational classifiers and neural networks.- Other approaches to buildquantum models.- Prospects for near-term quantum machine learning.- Small versus big data.- Hybrid versus fully coherent approaches.- Qualitative versus quantitative advantages.- What machine learning can do for quantum computing.- References.