Avis des lecteurs
Résumé:Le livre sur l'apprentissage automatique quantique (AAMQ) a reçu des critiques mitigées de la part des utilisateurs, certains louant sa profondeur et ses exemples pratiques, tandis que d'autres critiquent son style d'écriture et la clarté de ses explications, en particulier pour les débutants. Il est perçu comme un texte de niveau professionnel qui nécessite des connaissances préalables.
Avantages:Le livre comble une lacune importante dans le domaine de l'apprentissage automatique quantique et comprend des exemples pratiques, la programmation sur les plates-formes D-Wave et des explications détaillées. Il est décrit comme une ressource complète pour les professionnels, les étudiants et les chercheurs ayant des connaissances pertinentes.
Inconvénients:Il est reproché à l'ouvrage d'être mal structuré et de manquer de clarté, en particulier pour les débutants. Certains termes et concepts clés ne sont pas définis de manière adéquate avant d'être introduits, laissant certains lecteurs frustrés. L'ouvrage est considéré comme inadapté pour ceux qui n'ont pas de connaissances de base en informatique quantique.
(basé sur 4 avis de lecteurs)
Titre original :
Quantum Machine Learning: An Applied Approach: The Theory and Application of Quantum Machine Learning in Science and Industry
Contenu du livre :
Savoir comment adapter l'informatique quantique et les algorithmes d'apprentissage automatique. Ce livre vous emmène sur les traces de l'apprentissage automatique quantique (AAMQ) à travers les différentes options disponibles dans l'industrie et la recherche.
Les trois premiers chapitres offrent un aperçu de la combinaison de la science de la mécanique quantique et des techniques d'apprentissage automatique, où les concepts de l'informatique classique rencontrent la puissance de la physique. Les chapitres suivants suivent une plongée systématique dans divers algorithmes d'apprentissage automatique quantique, l'optimisation quantique, les applications des algorithmes QML avancés (k-moyens quantiques, k-médians quantiques, réseaux neuronaux quantiques, etc.), la préparation de l'état des qubits pour des algorithmes QML spécifiques, l'inférence, la simulation hamiltonienne polynomiale, et plus encore, en terminant par des domaines de recherche avancés et actuels tels que les marches quantiques, QML via les réseaux tensoriels, et QBoost.
Des exercices pratiques à partir de bibliothèques open source régulièrement utilisées aujourd'hui dans l'industrie et la recherche sont inclus, tels que Qiskit, Rigetti's Forest, D-Wave's dOcean, Google's Cirq et le tout nouveau TensorFlow Quantum, et Xanadu's PennyLane, accompagnés d'instructions de mise en œuvre guidées. Le cas échéant, le livre présente également diverses options d'accès à l'informatique quantique et aux écosystèmes d'apprentissage automatique qui peuvent être pertinentes pour des algorithmes spécifiques.
Le livre offre une approche pratique du domaine du QML en utilisant des bibliothèques et des algorithmes mis à jour dans ce domaine émergent. Vous bénéficierez d'exemples concrets et d'une compréhension des outils et des concepts pour construire des systèmes intelligents stimulés par l'écosystème de l'informatique quantique. Cet ouvrage s'appuie sur les recherches actives de l'auteur dans le domaine et s'accompagne d'un site web constamment mis à jour pour le livre qui fournit tous les exemples de code.
Ce que vous apprendrez
⬤ Comprendre et explorer l'informatique quantique et l'apprentissage automatique quantique, ainsi que leurs applications dans les domaines de la science et de l'industrie.
⬤ Explorer divers modèles d'apprentissage de données utilisant des algorithmes d'apprentissage automatique quantique et des bibliothèques Python.
⬤ Se familiariser avec l'informatique quantique appliquée, y compris l'accès gratuit à l'informatique en nuage.
⬤ Familiarisez-vous avec les techniques d'entraînement et de mise à l'échelle des réseaux neuronaux quantiques.
⬤ Vous aurez un aperçu de l'application d'exemples de code pratiques sans avoir besoin d'acquérir une théorie excessive de l'apprentissage automatique ou de faire une plongée en profondeur dans la mécanique quantique.
À qui s'adresse ce livre
Les scientifiques des données, les professionnels de l'apprentissage automatique et les chercheurs.
Autres informations sur le livre :
| ISBN : | 9781484270974 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 551 |
Achat:
Actuellement disponible, en stock.
