Bewertung:
Das Buch über Quantum Machine Learning (QML) hat von den Nutzern gemischte Kritiken erhalten. Einige loben die Tiefe und die praktischen Beispiele, während andere den Schreibstil und die Klarheit der Erklärungen kritisieren, insbesondere für Anfänger. Es wird als ein Text auf professionellem Niveau wahrgenommen, der Vorkenntnisse voraussetzt.
Vorteile:Das Buch füllt eine bedeutende Lücke auf dem Gebiet des maschinellen Lernens mit Quanten und enthält praktische Beispiele, Programmierung auf D-Wave-Plattformen und detaillierte Erklärungen. Es wird als umfassende Ressource für Fachleute, Studenten und Forscher mit entsprechenden Kenntnissen beschrieben.
Nachteile:Es wird kritisiert, dass das Buch schlecht strukturiert ist und es ihm an Klarheit mangelt, insbesondere für Anfänger. Bestimmte Schlüsselbegriffe und -konzepte werden nicht angemessen definiert, bevor sie eingeführt werden, was einige Leser frustriert zurücklässt. Es wird als ungeeignet für diejenigen angesehen, die kein grundlegendes Verständnis der Quanteninformatik haben.
(basierend auf 4 Leserbewertungen)
Quantum Machine Learning: An Applied Approach: The Theory and Application of Quantum Machine Learning in Science and Industry
Wissen, wie man Quantencomputer und Algorithmen des maschinellen Lernens anpasst. Dieses Buch nimmt Sie mit auf eine Reise in die Praxis des maschinellen Lernens mit Quanten (Quantum Machine Learning, QML) und zeigt Ihnen verschiedene Möglichkeiten, die in Industrie und Forschung zur Verfügung stehen.
Die ersten drei Kapitel bieten Einblicke in die Kombination aus der Wissenschaft der Quantenmechanik und den Techniken des maschinellen Lernens, wo Konzepte der klassischen Informationstechnologie auf die Kraft der Physik treffen. Die folgenden Kapitel bieten einen systematischen Einblick in verschiedene Algorithmen des maschinellen Lernens auf Quantenbasis, Quantenoptimierung, Anwendungen fortgeschrittener QML-Algorithmen (Quanten-K-Means, Quanten-K-Medians, neuronale Netze auf Quantenbasis usw.), Vorbereitung von Qbit-Zuständen für spezifische QML-Algorithmen, Inferenz, polynomiale Hamilton-Simulationen und mehr, und schließen mit fortgeschrittenen und aktuellen Forschungsbereichen wie Quantenwanderungen, QML über Tensor-Netzwerke und QBoost.
Es enthält praktische Übungen mit Open-Source-Bibliotheken, die heute in Industrie und Forschung regelmäßig verwendet werden, wie Qiskit, Rigetti's Forest, D-Wave's dOcean, Google's Cirq und das brandneue TensorFlow Quantum sowie Xanadu's PennyLane, begleitet von geführten Implementierungsanweisungen. Wo immer es möglich ist, zeigt das Buch auch verschiedene Optionen für den Zugang zu Quantencomputing und maschinellen Lernsystemen, die für bestimmte Algorithmen relevant sein können.
Das Buch bietet einen praktischen Ansatz für das Gebiet der QML unter Verwendung aktueller Bibliotheken und Algorithmen in diesem aufstrebenden Bereich. Sie werden von den konkreten Beispielen und dem Verständnis der Werkzeuge und Konzepte für den Aufbau intelligenter Systeme profitieren, die durch das Ökosystem des Quantencomputers unterstützt werden. Dieses Werk stützt sich auf die aktive Forschung des Autors auf diesem Gebiet und wird von einer ständig aktualisierten Website zum Buch begleitet, auf der alle Codebeispiele zu finden sind.
Was Sie lernen werden
⬤ Verstehen und erforschen Sie Quantencomputing und maschinelles Lernen mit Quanten und deren Anwendung in Wissenschaft und Industrie.
⬤ Erforschen Sie verschiedene Datentrainingsmodelle unter Verwendung von Quanten-Maschinenlernalgorithmen und Python-Bibliotheken.
⬤ Machen Sie sich praktisch mit dem angewandten Quantencomputing vertraut, einschließlich des frei zugänglichen Cloud-basierten Zugangs.
⬤ Machen Sie sich mit Techniken für das Training und die Skalierung von neuronalen Quantennetzen vertraut.
⬤ Gewinnen Sie einen Einblick in die Anwendung praktischer Code-Beispiele, ohne sich übermäßig viel Theorie des maschinellen Lernens aneignen zu müssen oder in die Quantenmechanik eintauchen zu müssen.
Für wen ist dieses Buch gedacht?
Datenwissenschaftler, Fachleute für maschinelles Lernen und Forscher.
| ISBN: | 9781484270974 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 551 |
Derzeit verfügbar, auf Lager.
