دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Siddhartha Bhattacharyya (editor), Indrajit Pan (editor), Ashish Mani (editor), Sourav De (editor), Elizabeth Behrman (editor), Susanta Chakraborti (editor) سری: De Gruyter Frontiers in Computational Intelligence ISBN (شابک) : 311067064X, 9783110670646 ناشر: De Gruyter سال نشر: 2020 تعداد صفحات: 133 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Quantum Machine Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشین کوانتومی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یادگیری ماشینی پیشرفته کوانتومی به الگوریتمهای کوانتومی اشاره دارد که وظایف را در یادگیری ماشین حل میکند و در نتیجه یک روش یادگیری ماشین کلاسیک را بهبود میبخشد. چنین الگوریتمهایی معمولاً نیازمند کدگذاری مجموعه دادههای کلاسیک در یک رایانه کوانتومی هستند تا بتوان آن را برای پردازش اطلاعات کوانتومی در دسترس قرار داد. پس از این، روال های پردازش اطلاعات کوانتومی را می توان اعمال کرد و نتیجه محاسبات کوانتومی را با اندازه گیری سیستم کوانتومی خواند. در حالی که بسیاری از پیشنهادات الگوریتمهای یادگیری ماشین کوانتومی هنوز کاملاً تئوری هستند و برای آزمایش به یک کامپیوتر کوانتومی جهانی در مقیاس کامل نیاز دارند، برخی دیگر بر روی دستگاههای کوانتومی در مقیاس کوچک یا با هدف خاص پیادهسازی شدهاند.
Quantum-enhanced machine learning refers to quantum algorithms that solve tasks in machine learning, thereby improving a classical machine learning method. Such algorithms typically require one to encode the given classical dataset into a quantum computer, so as to make it accessible for quantum information processing. After this, quantum information processing routines can be applied and the result of the quantum computation is read out by measuring the quantum system. While many proposals of quantum machine learning algorithms are still purely theoretical and require a full-scale universal quantum computer to be tested, others have been implemented on small-scale or special purpose quantum devices.
Dedications Contents List of Contributors Preface 1 Introduction to quantum machine learning • Sandip Dey, Sourav De, and Siddhartha Bhattacharyya 2 Topographic representation for quantum machine learning • Bruce J. MacLennan 3 Quantum optimization for machine learning • Ashish Mani, Siddhartha Bhattacharyya, and Amlan Chatterjee 4 From classical to quantum machine learning • Arit Kumar Bishwas, Ashish Mani, and Vasile Palade 5 Quantum inspired automatic clustering algorithms: A comparative study of Genetic algorithm and Bat algorithm • Alokananda Dey, Sandip Dey, Siddhartha Bhattacharyya, Jan Platos, and Vaclav Snasel Siddhartha Bhattacharyya6 Conclusion Index