量子机器学习中数据挖掘的量子计算方法PDF电子书下载

查看更多关于的内容

第一部分 基本概念 1

第1章 引言 1

1.1 学习理论和数据挖掘 5

1.2 为什么谈量子计算机 6

1.3 异构模型 7

1.4 量子机器学习算法概述 8

1.5 传统计算机上的模拟量子学习算法 9

第2章 机器学习 12

2.1 数据驱动模型 13

2.2 特征空间 14

2.3 监督学习和非监督学习 16

2.4 泛化能力 19

2.5 模型复杂度 21

2.6 集成学习 23

2.7 数据依赖性与计算复杂性 25

第3章 量子力学 27

3.1 状态与叠加 28

3.2 密度矩阵和混合态 29

3.3 复合系统和纠缠 31

3.4 演化 35

3.5 测量 36

3.6 不确定性关系 38

3.7 隧穿效应 39

3.8 绝热定理 40

3.9 不可克隆定理 41

第4章 量子计算 42

4.1 量子位和布洛赫球面 43

4.2 量子线路 45

4.3 绝热量子计算 50

4.4 量子并行运算 50

4.5 Grover算法 51

4.6 复杂性类 53

4.7 量子信息理论 54

第二部分 经典学习算法 59

第5章 非监督学习 59

5.1 主成分分析 60

5.2 流形嵌入 60

5.3 K-均值与K-中位数聚类 62

5.4 层次聚类 63

5.5 基于密度的聚类 64

第6章 模式识别和神经网络 65

6.1 感知机 66

6.2 Hopfield网络 67

6.3 前馈网络 69

6.4 深度学习 71

6.5 计算复杂性 72

第7章 监督学习和支持向量机 74

7.1 K-最近邻 75

7.2 最优间隔分类器 75

7.3 软间隔 77

7.4 非线性和核函数 78

7.5 最小二乘型 82

7.6 泛化性能 82

7.7 多类问题 83

7.8 损失函数 84

7.9 计算复杂性 85

第8章 回归分析 86

8.1 线性最小二乘 87

8.2 非线性回归 87

8.3 非参数回归 88

8.4 计算复杂性 89

第9章 提升算法 90

9.1 弱分类器 91

9.2 AdaBoost 91

9.3 凸性提升模型系列 93

9.4 非凸损失函数 95

第三部分 量子计算和机器学习 99

第10章 聚类结构和量子计算 99

10.1 量子随机访问存储器 100

10.2 计算点积 101

10.3 量子主成分分析 103

10.4 量子流形嵌入 104

10.5 量子K-均值 105

10.6 量子K-中位值 106

10.7 量子层次聚类 107

10.8 计算复杂度 108

第11章 量子模式识别 109

11.1 量子联想存储器 110

11.2 量子感知机 114

11.3 量子神经网络 115

11.4 物理实现 117

11.5 计算复杂度 118

第12章 量子分类 119

12.1 最近邻 120

12.2 基于Grover搜索的支持向量机 121

12.3 指数级加速的支持向量机 122

12.4 计算复杂度 124

第13章 量子过程层析与回归 125

13.1 通道状态对偶性 126

13.2 量子状态层析 127

13.3 群、紧李群和幺正群 128

13.4 表示理论 130

13.5 幺正的并行应用和存储 133

13.6 最优学习状态 135

13.7 应用幺正并查找输入状态的参数 137

第14章 量子提升算法与绝热量子计算 139

14.1 量子退火 140

14.2 二次无约束的二值优化问题 141

14.3 伊辛模型 142

14.4 QBoost 143

14.5 非凸性 144

14.6 稀疏度、比特深度和泛化性能 146

14.7 映射到硬件 148

14.8 计算复杂度 151

参考文献 153

查看更多关于的内容