Quantum Machine Learning with Python: Using Cirq from Google Research and IBM Qiskit

ویرایش:  
نویسندگان: Santanu Pattanayak  
سری:  
ISBN (شابک) : 9781484265222 
ناشر: Apress 
سال نشر: 2021 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 Mb 

قیمت کتاب (تومان) : 41,000

به سرعت بر اساس محاسبات کوانتومی و مبانی یادگیری ماشین کوانتومی و ریاضیات مرتبط با آن‌ها را در معرض موارد مختلف استفاده قرار دهید که می‌توانند از طریق الگوریتم‌های مبتنی بر کوانتوم حل شوند. این کتاب محاسبات کوانتومی را توضیح می‌دهد که از خواص مکانیکی کوانتومی ذرات زیر اتمی بهره می‌برد. همچنین یادگیری ماشین کوانتومی را بررسی می‌کند، که می‌تواند به حل برخی از چالش‌برانگیزترین مشکلات در پیش‌بینی، مدل‌سازی مالی، ژنومیک، امنیت سایبری، لجستیک زنجیره تامین، رمزنگاری و غیره کمک کند.
شما با مرور مفاهیم اساسی محاسبات کوانتومی شروع خواهید کرد. مانند نمادهای دیراک، کیوبیت ها و حالت بل و به دنبال آن فرضیه ها و مبانی ریاضی محاسبات کوانتومی. پس از تنظیم پایه، الگوریتم‌های مبتنی بر کوانتوم از جمله تبدیل فوریه کوانتومی، تخمین فاز و HHL (هارو-هاسیدیم-لوید) را عمیقاً بررسی خواهید کرد. 
سپس با یادگیری ماشین کوانتومی و الگوریتم‌های مبتنی بر یادگیری عمیق کوانتومی، همراه با موضوعات پیشرفته فرآیندهای آدیاباتیک کوانتومی و بهینه‌سازی مبتنی بر کوانتومی آشنا خواهید شد. در سراسر کتاب، پیاده‌سازی‌های Python از الگوریتم‌های مختلف یادگیری ماشین کوانتومی و محاسبات کوانتومی با استفاده از جعبه ابزار Qiskit از IBM و Cirq از Google Research وجود دارد.
آنچه شما خواهید آموخت

درک محاسبات کوانتومی و یادگیری ماشین کوانتومی

کاوش در حوزه‌های مختلف و سناریوهایی که راه‌حل‌های یادگیری ماشین کوانتومی را می‌توان به کار برد

توسعه تخصص در توسعه الگوریتم در چارچوب‌های محاسباتی کوانتومی متنوع

< li>چالش های اصلی ساخت کامپیوترهای کوانتومی در مقیاس بزرگ و به کارگیری تکنیک های مختلف آن را مرور کنید

این کتاب برای چه کسانی است
علاقه مندان و مهندسان یادگیری ماشینی که می خواهند به سرعت به ماشین کوانتومی ارتقا پیدا کنند. یادگیری

Quickly scale up to Quantum computing and Quantum machine learning foundations and related mathematics and expose them to different use cases that can be solved through Quantum based algorithms.This book explains Quantum Computing, which leverages the Quantum mechanical properties sub-atomic particles. It also examines Quantum machine learning, which can help solve some of the most challenging problems in forecasting, financial modeling, genomics, cybersecurity, supply chain logistics, cryptography among others.
You'll start by reviewing the fundamental concepts of Quantum Computing, such as Dirac Notations, Qubits, and Bell state, followed by postulates and mathematical foundations of Quantum Computing. Once the foundation base is set, you'll delve deep into Quantum based algorithms including Quantum Fourier transform, phase estimation, and HHL (Harrow-Hassidim-Lloyd) among others. 
You'll then be introduced to Quantum machine learning and Quantum deep learning-based algorithms, along with advanced topics of Quantum adiabatic processes and Quantum based optimization. Throughout the book, there are Python implementations of different Quantum machine learning and Quantum computing algorithms using the Qiskit toolkit from IBM and Cirq from Google Research.
What You'll Learn

Understand Quantum computing and Quantum machine learning

Explore varied domains and the scenarios where Quantum machine learning solutions can be applied

Develop expertise in algorithm development in varied Quantum computing frameworks

Review the major challenges of building large scale Quantum computers and applying its various techniques

Who This Book Is For
Machine Learning enthusiasts and engineers who want to quickly scale up to Quantum Machine Learning