Vor Ort
Merkzettel Warenkorb
Produktbild: Supervised Learning with Quantum Computers

Supervised Learning with Quantum Computers

Aus der Reihe Quantum Science and Technology

181,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

03.01.2019

Verlag

Springer

Seitenzahl

287

Maße (L/B/H)

23,5/15,5/1,7 cm

Gewicht

464 g

Auflage

Softcover reprint of the original 1st edition 2018

Sprache

Englisch

ISBN

978-3-030-07188-2

Beschreibung

Rezension

“The book is very well written and contains sufficiently many examples and illustrations. The authors make a concerted effort to make the material accessible to both computer science graduates as well as scientists with a quantum physics background. … The intended audience are thus machine learning scientists that want to explore the quantum approach to their discipline or quantum information scientists that want to enter the field of machine learning.” (Andreas Maletti, zbMATH 1411.81008, 2019)

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

03.01.2019

Verlag

Springer

Seitenzahl

287

Maße (L/B/H)

23,5/15,5/1,7 cm

Gewicht

464 g

Auflage

Softcover reprint of the original 1st edition 2018

Sprache

Englisch

ISBN

978-3-030-07188-2

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: GPSR Kontakt

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Supervised Learning with Quantum Computers
  • 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.