Bild vom Autor
# Einführung in Quantenmaschinelles Lernen
Quantenmaschinelles Lernen kombiniert Ideen aus Quantencomputing und maschinellem Lernen. Viele Forscher untersuchen, wie Quantencomputer bei maschinellen Lernaufgaben helfen könnten. Zur Unterstützung dieser Arbeit arbeiten mehrere Open-Supply-Projekte an GitHub Teilen Sie Lernressourcen, Beispiele und Code. Mithilfe dieser Repositorien ist es einfacher, die Grundlagen zu verstehen und zu sehen, wie sich das Fachgebiet entwickelt. In diesem Artikel untersuchen wir fünf Repositories, die besonders nützlich sind, um quantenmaschinelles Lernen zu erlernen und den aktuellen Fortschritt in diesem Bereich zu verstehen. Diese Ressourcen bieten verschiedene Einstiegspunkte für unterschiedliche Lernstile.
# 1. Kartierung des Feldes
Diese große Liste von awesome-quantum-machine-learning (⭐ 3,2k) funktioniert wie ein „Inhaltsverzeichnis“ für das Feld. Es umfasst Grundlagen, Algorithmen, Lernmaterialien und Bibliotheken oder Software program. Es eignet sich hervorragend für Anfänger, die alle Unterthemen – wie Kernel, Variationsschaltungen oder {Hardware}-Limits – an einem Ort sehen möchten. Es ist unter CC0-1.0 lizenziert und dient als grundlegender Ausgangspunkt für alle, die die Grundlagen des quantenmaschinellen Lernens erlernen möchten.
# 2. Erkundung der Forschung
Der awesome-quantum-ml (⭐ 407) Die Liste ist kleiner und konzentriert sich mehr auf hochwertige wissenschaftliche Arbeiten und wichtige Ressourcen zu Algorithmen für maschinelles Lernen, die auf Quantengeräten ausgeführt werden. Es ist perfect, wenn Sie bereits mit den Grundlagen des Fachgebiets vertraut sind und eine Reihe von Artikeln, Umfragen und wissenschaftlichen Arbeiten lesen möchten, in denen Schlüsselkonzepte, aktuelle Erkenntnisse und neue Tendencies bei der Anwendung von Quantencomputermethoden auf Probleme des maschinellen Lernens erläutert werden. Das Projekt akzeptiert auch Beiträge der Group über Pull-Requests.
# 3. Lernen durch Handeln
Das Repository Palms-On-Quantum-Machine-Studying-With-Python-Vol-1 (⭐ 163) enthält den Code für das Buch Praktisches Quantenmaschinelles Lernen mit Python (Band 1). Es ist wie ein Lernpfad aufgebaut und ermöglicht es Ihnen, Kapiteln zu folgen, Experimente durchzuführen und Parameter zu optimieren, um zu sehen, wie sich Systeme verhalten. Es ist perfekt für Lernende, die lieber „durch die Praxis“ lernen Python Notizbücher und Skripte.
# 4. Projekte umsetzen
Obwohl es sich um ein kleineres Repository handelt, Quantenmaschinelles Lernen auf kurzfristigen Quantengeräten (⭐ 25) ist sehr praktisch. Es enthält Projekte, die sich auf kurzfristige Quantengeräte konzentrieren – additionally die heutige verrauschte und begrenzte Qubit-{Hardware}. Das Repository umfasst Projekte wie Quanten-Help-Vektor-Maschinen, Quantenfaltungs-Neuronale Netze und Modelle zum erneuten Hochladen von Daten für Klassifizierungsaufgaben. Es hebt reale Einschränkungen hervor, was nützlich ist, um zu beobachten, wie quantenmechanisches Lernen auf aktueller {Hardware} funktioniert.
# 5. Pipelines bauen
Dies ist ein voll funktionsfähiges Gerät Qiskit-maschinelles Lernen (⭐ 939) Bibliothek mit Quantenkernen, Quanten-Neuronalen Netzen, Klassifikatoren und Regressoren. Es integriert sich mit PyTorch über die TorchConnector. Im Rahmen der Qiskit Ökosystem, von dem es miterhalten wird IBM und die Hartree Heartdas Teil des Science and Know-how Services Council (STFC) ist. Es ist perfect, wenn Sie robuste Quanten-Machine-Studying-Pipelines aufbauen möchten, anstatt sie nur zu studieren.
# Entwickeln einer Lernsequenz
Eine produktive Lernsequenz besteht darin, mit einer „fantastischen“ Liste zu beginnen, um den Raum abzubilden, die auf Papiere fokussierte Liste zu verwenden, um Tiefe zu schaffen, und dann zwischen geführten Notizbüchern und kurzfristigen praktischen Projekten zu wechseln. Schließlich können Sie die Qiskit-Bibliothek als Ihr primäres Toolkit für Experimente verwenden, die zu vollständigen professionellen Arbeitsabläufen erweitert werden können.
Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.