Machine Learning with Quantum Computers (eBook)
XIV, 312 Seiten
Springer International Publishing (Verlag)
978-3-030-83098-4 (ISBN)
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.
Maria Schuld works as a researcher for the Toronto-based quantum computing start-up Xanadu. She received her Ph.D. from the University of KwaZulu-Natal in 2017, where she began working on the intersection between quantum computing and machine learning in 2013. Besides her numerous contributions to the field, she is a co-developer for the open-source quantum machine learning software framework PennyLane.
Francesco Petruccione received his Ph.D. (1988) and 'Habilitation' (1994) from the University of Freiburg, Germany. Since 2004, he has been a professor of Theoretical Physics at the University of KwaZulu-Natal in Durban, South Africa, where in 2007, he was granted a South African Research Chair for Quantum Information Processing and Communication. He is the co-author of 'The Theory of Open Quantum Systems' (Oxford University Press, 2002) and has published more than 250 papers in refereed journals. Francesco Petruccione's research focuses on open quantum systems and quantum information processing and communication.
| Erscheint lt. Verlag | 17.10.2021 |
|---|---|
| Reihe/Serie | Quantum Science and Technology | Quantum Science and Technology |
| Zusatzinfo | XIV, 312 p. 104 illus., 74 illus. in color. |
| Sprache | englisch |
| Themenwelt | Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik |
| Mathematik / Informatik ► Mathematik | |
| Naturwissenschaften ► Physik / Astronomie ► Theoretische Physik | |
| Schlagworte | Artificial Neural Network • Deep Belief Network • Deutsch-Josza algorithm • Grover search • hidden Markov models • Hopfield Model • Kernel Methods • Qsample encoding • quantum blas |
| ISBN-10 | 3-030-83098-5 / 3030830985 |
| ISBN-13 | 978-3-030-83098-4 / 9783030830984 |
| Haben Sie eine Frage zum Produkt? |
PDF (Wasserzeichen)Größe: 7,9 MB
DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
