量子機(jī)器學(xué)習(xí)中數(shù)據(jù)挖掘的量子計(jì)算方法

第一部分 基本概念
第1章 引言
1．1 學(xué)習(xí)理論和數(shù)據(jù)挖掘
1．2 為什么談量子計(jì)算機(jī)
1．3 異構(gòu)模型
1．4 量子機(jī)器學(xué)習(xí)算法概述
1．5 傳統(tǒng)計(jì)算機(jī)上的模擬量子學(xué)習(xí)算法
第2章 機(jī)器學(xué)習(xí)
2．1 數(shù)據(jù)驅(qū)動(dòng)模型
2．2 特征空間
2．3 監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)
2．4 泛化能力
2．5 模型復(fù)雜度
2．6 集成學(xué)習(xí)
2．7 數(shù)據(jù)依賴性與計(jì)算復(fù)雜性
第3章 量子力學(xué)
3．1 狀態(tài)與疊加
3．2 密度矩陣和混合態(tài)
3．3 復(fù)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(yīng)
3．8 絕熱定理
3．9 不可克隆定理
第4章 量子計(jì)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(jì)算
4．4 量子并行運(yùn)算
4．5 Grover算法
4．6 復(fù)雜性類
4．7 量子信息理論
第二部分 經(jīng)典學(xué)習(xí)算法
第5章 非監(jiān)督學(xué)習(xí)
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(shí)別和神經(jīng)網(wǎng)絡(luò)
6．1 感知機(jī)
6．2 Hopfield網(wǎng)絡(luò)
6．3 前饋網(wǎng)絡(luò)
6．4 深度學(xué)習(xí)
6．5 計(jì)算復(fù)雜性
第7章 監(jiān)督學(xué)習(xí)和支持向量機(jī)
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(jì)算復(fù)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(jì)算復(fù)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(jì)算和機(jī)器學(xué)習(xí)
第10章 聚類結(jié)構(gòu)和量子計(jì)算
10．1 量子隨機(jī)訪問存儲(chǔ)器
10．2 計(jì)算點(diǎn)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(jì)算復(fù)雜度
第11章 量子模式識(shí)別
11．1 量子聯(lián)想存儲(chǔ)器
11．2 量子感知機(jī)
11．3 量子神經(jīng)網(wǎng)絡(luò)
11．4 物理實(shí)現(xiàn)
11．5 計(jì)算復(fù)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(jī)
12．3 指數(shù)級(jí)加速的支持向量機(jī)
12．4 計(jì)算復(fù)雜度
第13章 量子過程層析與回歸
13．1 通道狀態(tài)對(duì)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(yīng)用和存儲(chǔ)
13．6 最優(yōu)學(xué)習(xí)狀態(tài)
13．7 應(yīng)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(jì)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(jì)算復(fù)雜度
參考文獻(xiàn)