量子機器學習中數(shù)據(jù)挖掘的量子計算方法

第一部分 基本概念
第1章 引言
1．1 學習理論和數(shù)據(jù)挖掘
1．2 為什么談量子計算機
1．3 異構(gòu)模型
1．4 量子機器學習算法概述
1．5 傳統(tǒng)計算機上的模擬量子學習算法
第2章 機器學習
2．1 數(shù)據(jù)驅(qū)動模型
2．2 特征空間
2．3 監(jiān)督學習和非監(jiān)督學習
2．4 泛化能力
2．5 模型復雜度
2．6 集成學習
2．7 數(shù)據(jù)依賴性與計算復雜性
第3章 量子力學
3．1 狀態(tài)與疊加
3．2 密度矩陣和混合態(tài)
3．3 復合系統(tǒng)和糾纏
3．4 演化
3．5 測量
3．6 不確定性關(guān)系
3．7 隧穿效應
3．8 絕熱定理
3．9 不可克隆定理
第4章 量子計算
4．1 量子位和布洛赫球面
4．2 量子線路
4．3 絕熱量子計算
4．4 量子并行運算
4．5 Grover算法
4．6 復雜性類
4．7 量子信息理論
第二部分 經(jīng)典學習算法
第5章 非監(jiān)督學習
5．1 主成分分析
5．2 流形嵌入
5．3 K-均值與K-中位數(shù)聚類
5．4 層次聚類
5．5 基于密度的聚類
第6章 模式識別和神經(jīng)網(wǎng)絡(luò)
6．1 感知機
6．2 Hopfield網(wǎng)絡(luò)
6．3 前饋網(wǎng)絡(luò)
6．4 深度學習
6．5 計算復雜性
第7章 監(jiān)督學習和支持向量機
7．1 K-最近鄰
7．2 最優(yōu)間隔分類器
7．3 軟間隔
7．4 非線性和核函數(shù)
7．5 最小二乘型
7．6 泛化性能
7．7 多類問題
7．8 損失函數(shù)
7．9 計算復雜性
第8章 回歸分析
8．1 線性最小二乘
8．2 非線性回歸
8．3 非參數(shù)回歸
8．4 計算復雜性
第9章 提升算法
9．1 弱分類器
9．2 AdaBoost
9．3 凸性提升模型系列
9．4 非凸損失函數(shù)
第三部分 量子計算和機器學習
第10章 聚類結(jié)構(gòu)和量子計算
10．1 量子隨機訪問存儲器
10．2 計算點積
10．3 量子主成分分析
10．4 量子流形嵌入
10．5 量子K-均值
10．6 量子K-中位值
10．7 量子層次聚類
10．8 計算復雜度
第11章 量子模式識別
11．1 量子聯(lián)想存儲器
11．2 量子感知機
11．3 量子神經(jīng)網(wǎng)絡(luò)
11．4 物理實現(xiàn)
11．5 計算復雜度
第12章 量子分類
12．1 最近鄰
12．2 基于Grover搜索的支持向量機
12．3 指數(shù)級加速的支持向量機
12．4 計算復雜度
第13章 量子過程層析與回歸
13．1 通道狀態(tài)對偶性
13．2 量子狀態(tài)層析
13．3 群、緊李群和么正群
13．4 表示理論
13．5 么正的并行應用和存儲
13．6 最優(yōu)學習狀態(tài)
13．7 應用么正并查找輸入狀態(tài)的參數(shù)
第14章 量子提升算法與絕熱量子計算
14．1 量子退火
14．2 二次無約束的二值優(yōu)化問題
14．3 伊辛模型
14．4 QBoost
14．5 非凸性
14．6 稀疏度、比特深度和泛化性能
14．7 映射到硬件
14．8 計算復雜度
參考文獻