Título :	Supervised Learning with Quantum Computers
Tipo de documento:	documento electrónico
Autores:	Schuld, Maria, Autor ; Petruccione, Francesco, Autor
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.
Palabras clave:	Física cuántica  Computadoras cuánticas  Sistemas de reconocimiento de patrones  Espintrónica  Física matemática  Inteligencia artificial  Computación cuántica  Reconocimiento de patrones automatizado  Física Teórica  Matemática y Computacional
Índice Dewey:	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 físicos 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, así 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Supervised Learning with Quantum Computers [documento electrónico] / Schuld, Maria, Autor ; Petruccione, Francesco, Autor  . -  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.

Palabras clave:	Física cuántica  Computadoras cuánticas  Sistemas de reconocimiento de patrones  Espintrónica  Física matemática  Inteligencia artificial  Computación cuántica  Reconocimiento de patrones automatizado  Física Teórica  Matemática y Computacional
Índice Dewey:	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 físicos 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, así 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i