Información del autor
Autor Schuld, Maria |
Documentos disponibles escritos por este autor (2)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Machine Learning with Quantum Computers Tipo de documento: documento electrónico Autores: Schuld, Maria, ; Petruccione, Francesco, Mención de edición: 2 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XIV, 312 p. 104 ilustraciones, 74 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-83098-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Computadoras cuánticas Aprendizaje automático Matemáticas Computación cuántica Matemáticas y Computación Clasificación: 63.843 Resumen: Este libro ofrece una introducción a la investigación del aprendizaje automático cuántico, que abarca enfoques que van desde algoritmos de aprendizaje automático cuántico de "corto plazo" hasta tolerantes a fallas, y desde técnicas teóricas a prácticas que nos ayudan a comprender cómo las computadoras cuánticas pueden aprender a partir de los datos. Entre los temas discutidos se encuentran los circuitos cuánticos parametrizados, la optimización hÃbrida, la codificación de datos, los mapas de caracterÃsticas cuánticas y los métodos del núcleo, la teorÃa del aprendizaje cuántico y las redes neuronales cuánticas. El libro está dirigido a un público de informáticos y fÃsicos desde el nivel de posgrado en adelante. La segunda edición amplÃa el material más allá del aprendizaje supervisado y se centra especialmente en los desarrollos en el aprendizaje automático cuántico a corto plazo observados en los últimos años. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Machine Learning -- Chapter 3. Quantum Computing -- Chapter 4. Representing Data on a Quantum Computer -- Chapter 5. Variational Circuits as Machine Learning Models -- Chapter 6. Quantum Models as Kernel Methods -- Chapter 7. Fault-Tolerant Quantum Machine Learning -- Chapter 8. Approaches Based on the Ising Model -- Chapter 9. Potential Quantum Advantages. Tipo de medio : Computadora Summary : This book offers an introduction into quantum machine learning research, covering approaches that range from "near-term" to fault-tolerant quantum machine learning algorithms, and from theoretical to practical techniques that help us understand how quantum computers can learn from data. Among the topics discussed are parameterized quantum circuits, hybrid optimization, data encoding, quantum feature maps and kernel methods, quantum learning theory, as well as quantum neural networks. The book aims at an audience of computer scientists and physicists at the graduate level onwards. The second edition extends the material beyond supervised learning and puts a special focus on the developments in near-term quantum machine learning seen over the past few years. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Machine Learning with Quantum Computers [documento electrónico] / Schuld, Maria, ; Petruccione, Francesco, . - 2 ed. . - [s.l.] : Springer, 2021 . - XIV, 312 p. 104 ilustraciones, 74 ilustraciones en color.
ISBN : 978-3-030-83098-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Computadoras cuánticas Aprendizaje automático Matemáticas Computación cuántica Matemáticas y Computación Clasificación: 63.843 Resumen: Este libro ofrece una introducción a la investigación del aprendizaje automático cuántico, que abarca enfoques que van desde algoritmos de aprendizaje automático cuántico de "corto plazo" hasta tolerantes a fallas, y desde técnicas teóricas a prácticas que nos ayudan a comprender cómo las computadoras cuánticas pueden aprender a partir de los datos. Entre los temas discutidos se encuentran los circuitos cuánticos parametrizados, la optimización hÃbrida, la codificación de datos, los mapas de caracterÃsticas cuánticas y los métodos del núcleo, la teorÃa del aprendizaje cuántico y las redes neuronales cuánticas. El libro está dirigido a un público de informáticos y fÃsicos desde el nivel de posgrado en adelante. La segunda edición amplÃa el material más allá del aprendizaje supervisado y se centra especialmente en los desarrollos en el aprendizaje automático cuántico a corto plazo observados en los últimos años. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Machine Learning -- Chapter 3. Quantum Computing -- Chapter 4. Representing Data on a Quantum Computer -- Chapter 5. Variational Circuits as Machine Learning Models -- Chapter 6. Quantum Models as Kernel Methods -- Chapter 7. Fault-Tolerant Quantum Machine Learning -- Chapter 8. Approaches Based on the Ising Model -- Chapter 9. Potential Quantum Advantages. Tipo de medio : Computadora Summary : This book offers an introduction into quantum machine learning research, covering approaches that range from "near-term" to fault-tolerant quantum machine learning algorithms, and from theoretical to practical techniques that help us understand how quantum computers can learn from data. Among the topics discussed are parameterized quantum circuits, hybrid optimization, data encoding, quantum feature maps and kernel methods, quantum learning theory, as well as quantum neural networks. The book aims at an audience of computer scientists and physicists at the graduate level onwards. The second edition extends the material beyond supervised learning and puts a special focus on the developments in near-term quantum machine learning seen over the past few years. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Supervised Learning with Quantum Computers Tipo de documento: documento electrónico Autores: Schuld, Maria, ; Petruccione, Francesco, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XIII, 287 p. 83 ilustraciones, 48 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-96424-9 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: FÃsica cuántica Computadoras cuánticas Sistemas de reconocimiento de patrones Espintrónica FÃsica matemática Inteligencia artificial Computación cuántica Reconocimiento de patrones automatizado FÃsica Teórica Matemática y Computacional Clasificación: 530.12 Resumen: El aprendizaje automático cuántico investiga cómo se pueden utilizar las computadoras cuánticas para la predicción y la toma de decisiones basadas en datos. El libro resume y conceptualiza ideas de esta disciplina relativamente joven para una audiencia de informáticos y fÃsicos desde niveles de posgrado en adelante. Su objetivo es proporcionar un punto de partida para aquellos 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 analiza temas como la codificación de datos en estados cuánticos, algoritmos cuánticos y rutinas de inferencia y optimización, asà como la construcción y análisis de genuinos "modelos de aprendizaje cuántico". Se prestará especial atención al aprendizaje supervisado y a las aplicaciones de dispositivos cuánticos a corto plazo. Nota de contenido: 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. Tipo de medio : Computadora Summary : Quantum machine learning investigates how quantum computers can be used for data-driven prediction and decision making. The books summarises and conceptualises ideas of this relatively young discipline for an audience of computer scientists and physicists from a graduate level upwards. It aims at providing a starting point for those new to the field, showcasing a toy example of a quantum machine learning algorithm and providing a detailed introduction of the two parent disciplines. For more advanced readers, the book discusses topics such as data encoding into quantum states, quantum algorithms and routines for inference and optimisation, as well as the construction and analysis of genuine ``quantum learning models''. A special focus lies on supervised learning, and applications for near-term quantum devices. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Supervised Learning with Quantum Computers [documento electrónico] / Schuld, Maria, ; Petruccione, Francesco, . - 1 ed. . - [s.l.] : Springer, 2018 . - XIII, 287 p. 83 ilustraciones, 48 ilustraciones en color.
ISBN : 978-3-319-96424-9
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: FÃsica cuántica Computadoras cuánticas Sistemas de reconocimiento de patrones Espintrónica FÃsica matemática Inteligencia artificial Computación cuántica Reconocimiento de patrones automatizado FÃsica Teórica Matemática y Computacional Clasificación: 530.12 Resumen: El aprendizaje automático cuántico investiga cómo se pueden utilizar las computadoras cuánticas para la predicción y la toma de decisiones basadas en datos. El libro resume y conceptualiza ideas de esta disciplina relativamente joven para una audiencia de informáticos y fÃsicos desde niveles de posgrado en adelante. Su objetivo es proporcionar un punto de partida para aquellos 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 analiza temas como la codificación de datos en estados cuánticos, algoritmos cuánticos y rutinas de inferencia y optimización, asà como la construcción y análisis de genuinos "modelos de aprendizaje cuántico". Se prestará especial atención al aprendizaje supervisado y a las aplicaciones de dispositivos cuánticos a corto plazo. Nota de contenido: 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. Tipo de medio : Computadora Summary : Quantum machine learning investigates how quantum computers can be used for data-driven prediction and decision making. The books summarises and conceptualises ideas of this relatively young discipline for an audience of computer scientists and physicists from a graduate level upwards. It aims at providing a starting point for those new to the field, showcasing a toy example of a quantum machine learning algorithm and providing a detailed introduction of the two parent disciplines. For more advanced readers, the book discusses topics such as data encoding into quantum states, quantum algorithms and routines for inference and optimisation, as well as the construction and analysis of genuine ``quantum learning models''. A special focus lies on supervised learning, and applications for near-term quantum devices. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
