Quantum Machine Learning: An Applied Approach: Teoría y aplicación del aprendizaje automático cuántico en la ciencia y la industria

Puntuación:   (4,3 de 5)

Quantum Machine Learning: An Applied Approach: Teoría y aplicación del aprendizaje automático cuántico en la ciencia y la industria (Santanu Ganguly)

Opiniones de los lectores

Resumen:

El libro sobre aprendizaje automático cuántico (QML) ha recibido críticas dispares por parte de los usuarios. Algunos alaban su profundidad y sus ejemplos prácticos, mientras que otros critican su estilo de redacción y su claridad explicativa, sobre todo para los principiantes. Se percibe como un texto de nivel profesional que requiere conocimientos previos.

Ventajas:

El libro llena un vacío importante en el campo del aprendizaje automático cuántico e incluye ejemplos prácticos, programación en plataformas D-Wave y explicaciones detalladas. Se describe como un recurso completo para profesionales, estudiantes e investigadores con conocimientos relevantes.

Desventajas:

Se critica la redacción por estar mal estructurada y carecer de claridad, especialmente para los principiantes. Algunos términos y conceptos clave no se definen adecuadamente antes de ser introducidos, lo que deja a algunos lectores frustrados. Se considera inadecuado para quienes no tengan conocimientos básicos de computación cuántica.

(basado en 4 opiniones de lectores)

Título original:

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

Contenido del libro:

Sepa cómo adaptar la informática cuántica y los algoritmos de aprendizaje automático. Este libro le adentra en el aprendizaje automático cuántico (QML) práctico a través de diversas opciones disponibles en la industria y la investigación.

Los tres primeros capítulos ofrecen una visión de la combinación de la ciencia de la mecánica cuántica y las técnicas del aprendizaje automático, donde los conceptos de la informática clásica se encuentran con el poder de la física. Los capítulos siguientes profundizan sistemáticamente en diversos algoritmos cuánticos de aprendizaje automático, optimización cuántica, aplicaciones de algoritmos QML avanzados (k-means cuánticos, k-medians cuánticos, redes neuronales cuánticas, etc.), preparación de estados cuánticos para algoritmos QML específicos, inferencia, simulación hamiltoniana polinómica, etc., para terminar con áreas de investigación avanzadas y actuales como los paseos cuánticos, QML mediante redes tensoriales y QBoost.

Se incluyen ejercicios prácticos de bibliotecas de código abierto que se utilizan regularmente en la actualidad en la industria y la investigación, como Qiskit, Rigetti's Forest, D-Wave's dOcean, Google's Cirq y el nuevo TensorFlow Quantum, y Xanadu's PennyLane, acompañados de instrucciones de implementación guiadas. Cuando procede, el libro también comparte varias opciones de acceso a la computación cuántica y a los ecosistemas de aprendizaje automático que pueden ser relevantes para algoritmos específicos.

El libro ofrece una aproximación práctica al campo del QML utilizando bibliotecas y algoritmos actualizados en este campo emergente. Se beneficiará de los ejemplos concretos y de la comprensión de herramientas y conceptos para construir sistemas inteligentes potenciados por el ecosistema de la computación cuántica. Esta obra aprovecha la investigación activa del autor en este campo y va acompañada de un sitio web constantemente actualizado para el libro que proporciona todos los ejemplos de código.

Lo que aprenderá

⬤ Comprender y explorar la computación cuántica y el aprendizaje automático cuántico, y su aplicación en la ciencia y la industria.

⬤ Explorar varios modelos de entrenamiento de datos utilizando algoritmos de aprendizaje automático cuántico y bibliotecas de Python.

⬤ Familiarizarse con la informática cuántica aplicada, incluido el acceso gratuito basado en la nube.

⬤ Familiarizarse con las técnicas de entrenamiento y escalado de redes neuronales cuánticas.

⬤ Obtener una visión de la aplicación de ejemplos prácticos de código sin necesidad de adquirir excesiva teoría de aprendizaje automático o realizar una inmersión profunda en mecánica cuántica.

A quién va dirigido este libro

Científicos de datos, profesionales del aprendizaje automático e investigadores.

Otros datos del libro:

ISBN:9781484270974
Autor:
Editorial:
Encuadernación:Tapa blanda
Año de publicación:2021
Número de páginas:551

Compra:

Actualmente disponible, en stock.

¡Lo compro!

Otros libros del autor:

Quantum Machine Learning: An Applied Approach: Teoría y aplicación del aprendizaje automático...
Sepa cómo adaptar la informática cuántica y los...
Quantum Machine Learning: An Applied Approach: Teoría y aplicación del aprendizaje automático cuántico en la ciencia y la industria - Quantum Machine Learning: An Applied Approach: The Theory and Application of Quantum Machine Learning in Science and Industry

Las obras del autor han sido publicadas por las siguientes editoriales:

© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)