亚洲AV美日AV肉色丝袜网站,久久久久亚州AⅤ无码专区首

內(nèi)容簡介

　　量子計算機具有天然的并行性，相比經(jīng)典計算機能顯著提高算法效率，是下一代智能計算的一個重要發(fā)展方向。隨著量子計算機硬件的發(fā)展，通過本地或者云平臺進行量子計算越來越容易，量子計算相關(guān)研究逐漸從理論走向?qū)嵱?。量子機器學習是機器學習和量子計算的交叉領(lǐng)域，它研究的是如何利用量子疊加、并行等特性降低經(jīng)典機器學習算法的復雜度，以解決數(shù)據(jù)量大、數(shù)據(jù)維度高造成的訓練困難等問題。本書首先介紹量子計算的基礎(chǔ)知識，然后將理論和實踐相結(jié)合，介紹量子降維、量子分類、量子回歸、量子聚類、量子神經(jīng)網(wǎng)絡及量子強化學習的算法理論，并提供部分算法的示例和代碼，以幫助讀者進一步理解量子機器學習算法。本書可作為量子機器學習的入門書籍，供愛好者了解和學習量子機器學習算法；也可作為“量子機器學習”課程的教科書或參考書，供教師和學生閱讀參考；還可作為對量子機器學習感興趣的科研人員的參考書。

作者簡介

　　姜楠，北京工業(yè)大學信息學部教授，博士生導師。主要研究方向包括量子機器學習、量子圖像處理、內(nèi)容安全和計算智能，講授“信息論與編碼理論”“量子機器學習”等課程。近5年發(fā)表SCI源刊論文近20篇。主持國家自然科學基金項目1項。CCF量子計算專委會執(zhí)行委員，北京市委組織部優(yōu)秀人才。出版量子計算和信息論方面的專著1部，教材2部。王健，北京交通大學計算機與信息技術(shù)學院副教授，博士生導師，信息安全系副主任。主要研究領(lǐng)域為量子機器學習、網(wǎng)絡安全、大數(shù)據(jù)安全與分析、密碼應用，講授“量子計算”“計算機網(wǎng)絡”等課程。近5年發(fā)表SCI源刊論文近20篇。主持國家科技重大專項子課題等課題十余項。出版量子計算和信息論方面的專著1部，教材2部。張蕊，北京交通大學計算機與信息技術(shù)學院博士生。主要研究方向包括量子機器學習和量子信號處理。發(fā)表SCI源刊論文6篇。

圖書目錄

第1章緒論
1.1研究背景及意義
1.2經(jīng)典機器學習
1.3量子計算
1.4量子機器學習
1.5本書組織結(jié)構(gòu)
參考文獻
第2章量子計算基礎(chǔ)
2.1單量子比特
2.2張量積和多量子比特
2.3內(nèi)積
2.4算子
2.5量子門
2.5.1單量子比特門
2.5.2多量子比特門
2.6量子并行性和黑箱
2.7量子糾纏
2.8量子不可克隆性
2.9量子測量
2.9.1一般測量
2.9.2投影測量
2.9.3相位
2.10密度算子和偏跡
2.11量子計算復雜性
2.12量子實現(xiàn)環(huán)境
2.13本章小結(jié)
參考文獻
第3章量子基本算法
3.1量子態(tài)制備
3.1.14維量子態(tài)制備
3.1.2M維量子態(tài)制備
3.1.3實現(xiàn)

3.2量子搜索算法
3.2.1黑箱
3.2.2Grover算法
3.2.3G算子的圖形化解釋
3.2.4算法分析
3.2.5實現(xiàn)
3.3量子傅里葉變換
3.3.1離散傅里葉變換原理
3.3.2量子傅里葉變換算法
3.3.3實現(xiàn)
3.4量子相位估計
3.4.1算法
3.4.2實現(xiàn)
3.5量子振幅估計
3.5.1振幅放大
3.5.2完整算法
3.5.3實現(xiàn)
3.6交換測試
3.6.1算法
3.6.2實現(xiàn)
3.7哈達瑪測試
3.7.1哈達瑪測試計算內(nèi)積的實部
3.7.2哈達瑪測試計算內(nèi)積的虛部
3.7.3實現(xiàn)
3.8HHL算法
3.8.1哈密頓量模擬
3.8.2算法基本思想
3.8.3算法步驟
3.8.4實現(xiàn)
3.9本章小結(jié)
參考文獻
第4章量子降維
4.1量子主成分分析
4.1.1主成分分析原理
4.1.2協(xié)方差矩陣與密度算子
4.1.3基于交換測試的量子主成分分析算法
4.1.4基于相位估計的量子主成分分析
4.2量子奇異值閾值算法
4.2.1奇異值閾值算法原理
4.2.2量子奇異值閾值算法原理
4.2.3實現(xiàn)
4.3量子線性判別分析
4.3.1線性判別分析原理
4.3.2量子線性判別分析原理
4.4本章小結(jié)
參考文獻
第5章量子分類
5.1量子支持向量機
5.1.1支持向量機原理
5.1.2量子支持向量機算法
5.1.3量子核函數(shù)
5.1.4實現(xiàn)
5.2量子K近鄰
5.2.1K近鄰基本原理
5.2.2量子距離
5.2.3量子最大值搜索
5.2.4量子K近鄰算法
5.2.5實現(xiàn)
5.3量子決策樹
5.3.1決策樹基本原理
5.3.2量子決策樹算法
5.4本章小結(jié)
參考文獻
第6章量子回歸
6.1量子線性回歸
6.1.1線性回歸原理
6.1.2量子線性回歸算法
6.1.3實現(xiàn)
6.2量子嶺回歸
6.2.1量子嶺回歸算法
6.2.2實現(xiàn)
6.3量子邏輯回歸
6.3.1邏輯回歸原理
6.3.2偏導數(shù)的量子計算方法
6.3.3量子邏輯回歸算法
6.4本章小結(jié)
參考文獻
第7章量子聚類
7.1量子K均值聚類
7.1.1K均值聚類原理
7.1.2量子K均值聚類算法
7.1.3復雜度分析
7.1.4實現(xiàn)
7.2量子層次聚類
7.2.1量子凝聚層次聚類
7.2.2量子分裂層次聚類
7.3量子譜聚類
7.3.1譜聚類基本概念
7.3.2量子譜聚類算法
7.4基于薛定諤方程的量子聚類算法
7.4.1量子勢能
7.4.2分類屬性數(shù)據(jù)的相似度和相異度
7.4.3基于薛定諤方程的聚類算法
7.5本章小結(jié)
參考文獻
第8章量子神經(jīng)網(wǎng)絡
8.1量子感知機
8.1.1感知機原理
8.1.2量子感知機算法
8.1.3實現(xiàn)
8.2量子神經(jīng)網(wǎng)絡
8.2.1神經(jīng)網(wǎng)絡原理
8.2.2參數(shù)化量子線路
8.2.3目標函數(shù)與優(yōu)化
8.2.4實現(xiàn)
8.3量子生成對抗網(wǎng)絡
8.3.1生成對抗網(wǎng)絡原理
8.3.2參數(shù)化量子線路
8.3.3量子生成對抗網(wǎng)絡算法
8.3.4量子生成器后處理
8.3.5實現(xiàn)
8.4量子受限玻耳茲曼機
8.4.1參數(shù)化量子線路
8.4.2參數(shù)更新
8.4.3實現(xiàn)
8.5量子卷積神經(jīng)網(wǎng)絡
8.5.1卷積神經(jīng)網(wǎng)絡原理
8.5.2量子卷積神經(jīng)網(wǎng)絡原理
8.6量子圖神經(jīng)網(wǎng)絡
8.7本章小結(jié)
參考文獻
第9章量子強化學習
9.1強化學習原理
9.1.1基本問題
9.1.2馬爾可夫決策過程
9.1.3值函數(shù)
9.1.4強化學習算法
9.2基于經(jīng)典環(huán)境的量子強化學習
9.2.1算法
9.2.2實現(xiàn)
9.3基于量子環(huán)境的量子強化學習
9.4本章小結(jié)
參考文獻
附錄A譜定理
附錄B量子數(shù)學運算算法
B.1量子乘加法器
B.2正弦函數(shù)的量子實現(xiàn)
B.3其他數(shù)學運算的量子實現(xiàn)
附錄C函數(shù)對向量和矩陣求導