Bewertung:
Das Buch soll Einblicke in das maschinelle Lernen mit Hilfe von Quantencomputern geben, bleibt aber weitgehend hinter den Erwartungen zurück, da es eher leicht verfügbares Material als ausführliche Anleitungen oder originelle Inhalte enthält. Es eignet sich am besten für Praktiker, die bereits ein gewisses Hintergrundwissen über Quantencomputer haben. Es bietet zwar nützliche Informationen, aber es mangelt ihm an Originalität und Tiefe, was es für diejenigen, die bereits über Kenntnisse auf diesem Gebiet verfügen, weniger wertvoll macht.
Vorteile:⬤ Einige Inhalte sind gut geschriebene Einführungsmaterialien
⬤ nützlich für Praktiker, die Quantencomputing lernen wollen
⬤ deckt grundlegende Themen des maschinellen Lernens mit Quanten ab.
⬤ Es fehlt an Tiefe und Originalität
⬤ größtenteils eine Sammlung bestehender Ressourcen
⬤ viele Tippfehler
⬤ schlechte Erklärungen des Codes
⬤ erfordert Verbesserungen in pädagogischen Aspekten
⬤ für diejenigen, die mit dem Thema vertraut sind, lohnt sich der Kauf möglicherweise nicht.
(basierend auf 6 Leserbewertungen)
Quantum Machine Learning with Python: Using Cirq from Google Research and IBM Qiskit
Skalieren Sie schnell auf die Grundlagen des Quantencomputings und des maschinellen Lernens mit Quantenmechanik und die damit verbundene Mathematik und setzen Sie sie verschiedenen Anwendungsfällen aus, die mit quantenbasierten Algorithmen gelöst werden können. Dieses Buch erklärt die Quanteninformatik, die sich die quantenmechanischen Eigenschaften subatomarer Teilchen zunutze macht. Außerdem wird das maschinelle Lernen mit Quanten untersucht, das bei der Lösung einiger der anspruchsvollsten Probleme in den Bereichen Vorhersage, Finanzmodellierung, Genomik, Cybersicherheit, Lieferkettenlogistik, Kryptografie und anderen helfen kann.
Zunächst werden die grundlegenden Konzepte der Quanteninformatik wie Dirac-Notation, Qubits und Bell-Zustand behandelt, gefolgt von den Postulaten und mathematischen Grundlagen der Quanteninformatik. Sobald das Fundament gelegt ist, werden Sie sich in quantenbasierte Algorithmen vertiefen, darunter die Quanten-Fourier-Transformation, die Phasenschätzung und HHL (Harrow-Hassidim-Lloyd) und andere.
Anschließend werden Sie in das maschinelle Lernen mit Quanten und in Algorithmen auf der Grundlage von Quantum Deep Learning eingeführt, zusammen mit fortgeschrittenen Themen wie adiabatischen Quantenprozessen und quantenbasierter Optimierung. Das gesamte Buch enthält Python-Implementierungen verschiedener Algorithmen für maschinelles Lernen mit Quanten und Quantencomputing unter Verwendung des Qiskit-Toolkits von IBM und Cirq von Google Research.
(Was Sie lernen werden)
⬤ Verstehen Sie Quantum Computing und Quantum Machine Learning.
⬤ Erforschen Sie verschiedene Bereiche und Szenarien, in denen Quantum Machine Learning Lösungen angewendet werden können.
⬤ Entwickeln Sie Fachwissen über die Entwicklung von Algorithmen in verschiedenen Quantencomputer-Frameworks.
⬤ Die wichtigsten Herausforderungen beim Bau von Quantencomputern in großem Maßstab und bei der Anwendung der verschiedenen Techniken zu überprüfen.
Für wen ist dieses Buch gedacht?
Enthusiasten des maschinellen Lernens und Ingenieure, die schnell auf Quantum Machine Learning umsteigen wollen.
| ISBN: | 9781484265215 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 361 |
Derzeit verfügbar, auf Lager.
