Apprendimento automatico quantistico: Un approccio applicato: Teoria e applicazione del Quantum Machine Learning nella scienza e nell'industria

Recensioni dei lettori

Il libro sul Quantum Machine Learning (QML) ha ricevuto recensioni contrastanti da parte degli utenti: alcuni ne lodano la profondità e gli esempi pratici, mentre altri ne criticano lo stile di scrittura e la chiarezza esplicativa, soprattutto per i principianti. È percepito come un testo di livello professionale che richiede conoscenze preliminari.

Il libro colma una lacuna significativa nel campo dell'apprendimento automatico quantistico e include esempi pratici, programmazione su piattaforme D-Wave e spiegazioni dettagliate. Viene descritto come una risorsa completa per professionisti, studenti e ricercatori con conoscenze rilevanti.

Il testo è criticato per la scarsa strutturazione e la mancanza di chiarezza, soprattutto per i principianti. Alcuni termini e concetti chiave non sono adeguatamente definiti prima di essere introdotti, lasciando alcuni lettori frustrati. È considerato inadatto a coloro che non hanno una conoscenza di base dell'informatica quantistica.

(basato su 4 recensioni dei lettori)

Titolo originale:

Quantum Machine Learning: An Applied Approach: The Theory and Application of Quantum Machine Learning in Science and Industry

Contenuto del libro:

Sapere come adattare gli algoritmi di calcolo quantistico e di apprendimento automatico. Questo libro vi accompagna in un viaggio pratico nell'apprendimento automatico quantistico (QML) attraverso le varie opzioni disponibili nell'industria e nella ricerca.

I primi tre capitoli offrono una panoramica della combinazione tra la scienza della meccanica quantistica e le tecniche di apprendimento automatico, dove i concetti dell'informatica classica incontrano la potenza della fisica. I capitoli successivi seguono un'immersione sistematica in vari algoritmi di apprendimento automatico quantistico, l'ottimizzazione quantistica, le applicazioni di algoritmi QML avanzati (quantum k-means, quantum k-medians, reti neurali quantistiche, ecc.), la preparazione dello stato del qubit per algoritmi QML specifici, l'inferenza, la simulazione Hamiltoniana polinomiale e altro ancora, per finire con aree di ricerca avanzate e aggiornate come le passeggiate quantistiche, QML tramite reti tensoriali e QBoost.

Sono inclusi esercizi pratici tratti da librerie open source regolarmente utilizzate oggi nell'industria e nella ricerca, come Qiskit, Forest di Rigetti, dOcean di D-Wave, Cirq di Google e il nuovissimo TensorFlow Quantum, e PennyLane di Xanadu, accompagnati da istruzioni di implementazione guidate. Laddove applicabile, il libro condivide anche varie opzioni di accesso all'informatica quantistica e agli ecosistemi di apprendimento automatico che possono essere rilevanti per algoritmi specifici.

Il libro offre un approccio pratico al campo del QML utilizzando librerie e algoritmi aggiornati in questo campo emergente. Potrete beneficiare di esempi concreti e della comprensione di strumenti e concetti per la costruzione di sistemi intelligenti potenziati dall'ecosistema dell'informatica quantistica. Quest'opera sfrutta la ricerca attiva dell'autore nel campo ed è accompagnata da un sito web costantemente aggiornato per il libro che fornisce tutti gli esempi di codice.

Cosa imparerete

⬤ Comprendere ed esplorare l'informatica quantistica e l'apprendimento automatico quantistico, e la loro applicazione nella scienza e nell'industria.

⬤ Esplorare vari modelli di formazione dei dati utilizzando algoritmi di apprendimento automatico quantistico e librerie Python.

⬤ Avere dimestichezza e familiarità con l'informatica quantistica applicata, compreso l'accesso gratuito al cloud.

⬤ Conoscere le tecniche di addestramento e scalabilità delle reti neurali quantistiche.

⬤ Avere una visione dell'applicazione di esempi pratici di codice senza dover acquisire un'eccessiva teoria dell'apprendimento automatico o fare un'immersione profonda nella meccanica quantistica.

Per chi è questo libro?

Scienziati dei dati, professionisti dell'apprendimento automatico e ricercatori.