Supervised learning with quantum computers
著者
書誌事項
Supervised learning with quantum computers
(Quantum science and technology)
Springer, c2018
- : softcover
大学図書館所蔵 全3件
  青森
  岩手
  宮城
  秋田
  山形
  福島
  茨城
  栃木
  群馬
  埼玉
  千葉
  東京
  神奈川
  新潟
  富山
  石川
  福井
  山梨
  長野
  岐阜
  静岡
  愛知
  三重
  滋賀
  京都
  大阪
  兵庫
  奈良
  和歌山
  鳥取
  島根
  岡山
  広島
  山口
  徳島
  香川
  愛媛
  高知
  福岡
  佐賀
  長崎
  熊本
  大分
  宮崎
  鹿児島
  沖縄
  韓国
  中国
  タイ
  イギリス
  ドイツ
  スイス
  フランス
  ベルギー
  オランダ
  スウェーデン
  ノルウェー
  アメリカ
注記
"Softcover re-print of the Hardcover 1st edition 2018"--T.p. verso
Includes bibliographical references and index
内容説明・目次
内容説明
Quantum machine learning investigates how quantum computers can be used for data-driven prediction and decision making. The books summarises and conceptualises ideas of this relatively young discipline for an audience of computer scientists and physicists from a graduate level upwards. It aims at providing a starting point for those new to the field, showcasing a toy example of a quantum machine learning algorithm and providing a detailed introduction of the two parent disciplines. For more advanced readers, the book discusses topics such as data encoding into quantum states, quantum algorithms and routines for inference and optimisation, as well as the construction and analysis of genuine ``quantum learning models''. A special focus lies on supervised learning, and applications for near-term quantum devices.
目次
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 build quantum 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.
「Nielsen BookData」 より