量子機(jī)器學(xué)習(xí)：基于Python的理論和實(shí)現(xiàn)

第1章緒論
1.1研究背景及意義
1.2經(jīng)典機(jī)器學(xué)習(xí)
1.3量子計(jì)算
1.4量子機(jī)器學(xué)習(xí)
1.5本書(shū)組織結(jié)構(gòu)
參考文獻(xiàn)
第2章量子計(jì)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(mén)
2.5.1單量子比特門(mén)
2.5.2多量子比特門(mén)
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(cè)量
2.9.1一般測(cè)量
2.9.2投影測(cè)量
2.9.3相位
2.10密度算子和偏跡
2.11量子計(jì)算復(fù)雜性
2.12量子實(shí)現(xiàn)環(huán)境
2.13本章小結(jié)
參考文獻(xiàn)
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(shí)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(shí)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(shí)現(xiàn)
3.4量子相位估計(jì)
3.4.1算法
3.4.2實(shí)現(xiàn)
3.5量子振幅估計(jì)
3.5.1振幅放大
3.5.2完整算法
3.5.3實(shí)現(xiàn)
3.6交換測(cè)試
3.6.1算法
3.6.2實(shí)現(xiàn)
3.7哈達(dá)瑪測(cè)試
3.7.1哈達(dá)瑪測(cè)試計(jì)算內(nèi)積的實(shí)部
3.7.2哈達(dá)瑪測(cè)試計(jì)算內(nèi)積的虛部
3.7.3實(shí)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(shí)現(xiàn)
3.9本章小結(jié)
參考文獻(xiàn)
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(cè)試的量子主成分分析算法
4.1.4基于相位估計(jì)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(shí)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(xiàn)
第5章量子分類
5.1量子支持向量機(jī)
5.1.1支持向量機(jī)原理
5.1.2量子支持向量機(jī)算法
5.1.3量子核函數(shù)
5.1.4實(shí)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(shí)現(xiàn)
5.3量子決策樹(shù)
5.3.1決策樹(shù)基本原理
5.3.2量子決策樹(shù)算法
5.4本章小結(jié)
參考文獻(xiàn)
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(shí)現(xiàn)
6.2量子嶺回歸
6.2.1量子嶺回歸算法
6.2.2實(shí)現(xiàn)
6.3量子邏輯回歸
6.3.1邏輯回歸原理
6.3.2偏導(dǎo)數(shù)的量子計(jì)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(xiàn)
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(fù)雜度分析
7.1.4實(shí)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(shì)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(xiàn)
第8章量子神經(jīng)網(wǎng)絡(luò)
8.1量子感知機(jī)
8.1.1感知機(jī)原理
8.1.2量子感知機(jī)算法
8.1.3實(shí)現(xiàn)
8.2量子神經(jīng)網(wǎng)絡(luò)
8.2.1神經(jīng)網(wǎng)絡(luò)原理
8.2.2參數(shù)化量子線路
8.2.3目標(biāo)函數(shù)與優(yōu)化
8.2.4實(shí)現(xiàn)
8.3量子生成對(duì)抗網(wǎng)絡(luò)
8.3.1生成對(duì)抗網(wǎng)絡(luò)原理
8.3.2參數(shù)化量子線路
8.3.3量子生成對(duì)抗網(wǎng)絡(luò)算法
8.3.4量子生成器后處理
8.3.5實(shí)現(xiàn)
8.4量子受限玻耳茲曼機(jī)
8.4.1參數(shù)化量子線路
8.4.2參數(shù)更新
8.4.3實(shí)現(xiàn)
8.5量子卷積神經(jīng)網(wǎng)絡(luò)
8.5.1卷積神經(jīng)網(wǎng)絡(luò)原理
8.5.2量子卷積神經(jīng)網(wǎng)絡(luò)原理
8.6量子圖神經(jīng)網(wǎng)絡(luò)
8.7本章小結(jié)
參考文獻(xiàn)
第9章量子強(qiáng)化學(xué)習(xí)
9.1強(qiáng)化學(xué)習(xí)原理
9.1.1基本問(wèn)題
9.1.2馬爾可夫決策過(guò)程
9.1.3值函數(shù)
9.1.4強(qiáng)化學(xué)習(xí)算法
9.2基于經(jīng)典環(huán)境的量子強(qiáng)化學(xué)習(xí)
9.2.1算法
9.2.2實(shí)現(xiàn)
9.3基于量子環(huán)境的量子強(qiáng)化學(xué)習(xí)
9.4本章小結(jié)
參考文獻(xiàn)
附錄A譜定理
附錄B量子數(shù)學(xué)運(yùn)算算法
B.1量子乘加法器
B.2正弦函數(shù)的量子實(shí)現(xiàn)
B.3其他數(shù)學(xué)運(yùn)算的量子實(shí)現(xiàn)
附錄C函數(shù)對(duì)向量和矩陣求導(dǎo)