000			03696nam a22003857i 4500
005			20251030135754.0
007			t|
008			220527s2018 ||||| |||| 00| 0 spa d
020			_a9783319964232
020			_a9783319964249 _qe-book
040			_aCO-ViULL _erda _bspa
041	0		_aeng
082	0	4	_221 _a004.1 _bS386s
100	1		_aSchuld, Maria _9157719, _eautor. _4aut
242	0	0	_aAprendizaje supervisado con computadoras cuánticas / _cMaria Schuld, Francesco Petruccione. _yeng.
245	1	0	_aSupervised Learning with Quantum Computers / _cMaria Schuld, Francesco Petruccione.
250			_a1a edición. .
264		1	_aCham : _bSpringer International Publishing, _c2018.
300			_axii, 288 páginas : _bilustraciones, gráficas ; _c21 centímetros.
336			_atexto _btxt _2rdacontent
337			_asin mediación _bn _2rdamedia
338			_avolumen _bnc _2rdacarrier
490	1		_aQuantum Science and Technology
500			_aIncluye referencias bibliográficas e índice.
505	8		_aIntroduction -- 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
520	3		_aEl 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.
650	1	7	_aInteligencia artificial _9157720.
650	2	7	_aComputación cuantica _9157721.
650	2	7	_aReconocimiento de patrones _9157722.
650	2	7	_aFísica cuántica _9157723.
650	2	7	_aFísica computacional _9157724.
700	1		_aPetruccione, Francesco. _9157725.
830		0	_aQuantum Science and Technology _9157726.
942			_2ddc _cBK
999			_c46786 _d46786