Schuld, Maria creator autor. aut Petruccione, Francesco. text 2018 1a edición. . monographic spa eng

print

xii, 288 páginas : ilustraciones, gráficas ; 21 centímetros. El aprendizaje automático cuántico investiga cómo se pueden usar las computadoras cuánticas para la predicción y la toma de decisiones basadas en datos. El libro resume y conceptualiza las ideas de esta disciplina relativamente joven para una audiencia de informáticos y físicos desde un nivel de posgrado en adelante. Su objetivo es proporcionar un punto de partida para los nuevos en el campo, mostrando un ejemplo de juguete de un algoritmo de aprendizaje automático cuántico y proporcionando una introducción detallada de las dos disciplinas principales. Para lectores más avanzados, el libro trata temas como la codificación de datos en estados cuánticos, algoritmos cuánticos y rutinas para inferencia y optimización, así como la construcción y el análisis de auténticos "modelos de aprendizaje cuántico". Un enfoque especial recae en el aprendizaje supervisado y las aplicaciones para dispositivos cuánticos a corto plazo. Tomado de: https://catalog.loc.gov/vwebv/staffView?searchId=18457&recPointer=0&recCount=25&bibId=21675707. 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 Maria Schuld, Francesco Petruccione. Incluye referencias bibliográficas e índice. Inteligencia artificial Computación cuantica Reconocimiento de patrones Física cuántica Física computacional 004.1 S386s 9783319964232 9783319964249 CO-ViULL 220527 20251030135754.0 spa