量子机器学习中数据挖掘的量子计算方法

　　《量子机器学习中数据挖掘的量子计算方法》共14章，包括：引言，机器学习，量子力学，量子计算，非监督学习，模式识别和神经网络，监督学习和支持向量机，回归分析，提升算法，聚类结构和量子计算，量子模式识别，量子分类，量子过程层析与回归，量子提升算法与绝热量子计算。《量子机器学习中数据挖掘的量子计算方法》适合相关学科的研究人员和爱好者参考使用。

暂缺《量子机器学习中数据挖掘的量子计算方法》作者简介

第一部分 基本概念
第1章 引言
1．1 学习理论和数据挖掘
1．2 为什么谈量子计算机
1．3 异构模型
1．4 量子机器学习算法概述
1．5 传统计算机上的模拟量子学习算法
第2章 机器学习
2．1 数据驱动模型
2．2 特征空间
2．3 监督学习和非监督学习
2．4 泛化能力
2．5 模型复杂度
2．6 集成学习
2．7 数据依赖性与计算复杂性
第3章 量子力学
3．1 状态与叠加
3．2 密度矩阵和混合态
3．3 复合系统和纠缠
3．4 演化
3．5 测量
3．6 不确定性关系
3．7 隧穿效应
3．8 绝热定理
3．9 不可克隆定理
第4章 量子计算
4．1 量子位和布洛赫球面
4．2 量子线路
4．3 绝热量子计算
4．4 量子并行运算
4．5 Grover算法
4．6 复杂性类
4．7 量子信息理论
第二部分 经典学习算法
第5章 非监督学习
5．1 主成分分析
5．2 流形嵌入
5．3 K-均值与K-中位数聚类
5．4 层次聚类
5．5 基于密度的聚类
第6章 模式识别和神经网络
6．1 感知机
6．2 Hopfield网络
6．3 前馈网络
6．4 深度学习
6．5 计算复杂性
第7章 监督学习和支持向量机
7．1 K-最近邻
7．2 最优间隔分类器
7．3 软间隔
7．4 非线性和核函数
7．5 最小二乘型
7．6 泛化性能
7．7 多类问题
7．8 损失函数
7．9 计算复杂性
第8章 回归分析
8．1 线性最小二乘
8．2 非线性回归
8．3 非参数回归
8．4 计算复杂性
第9章 提升算法
9．1 弱分类器
9．2 AdaBoost
9．3 凸性提升模型系列
9．4 非凸损失函数
第三部分 量子计算和机器学习
第10章 聚类结构和量子计算
10．1 量子随机访问存储器
10．2 计算点积
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 量子层次聚类
10．8 计算复杂度
第11章 量子模式识别
11．1 量子联想存储器
11．2 量子感知机
11．3 量子神经网络
11．4 物理实现
11．5 计算复杂度
第12章 量子分类
12．1 最近邻
12．2 基于Grover搜索的支持向量机
12．3 指数级加速的支持向量机
12．4 计算复杂度
第13章 量子过程层析与回归
13．1 通道状态对偶性
13．2 量子状态层析
13．3 群、紧李群和么正群
13．4 表示理论
13．5 么正的并行应用和存储
13．6 最优学习状态
13．7 应用么正并查找输入状态的参数
第14章 量子提升算法与绝热量子计算
14．1 量子退火
14．2 二次无约束的二值优化问题
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 计算复杂度
参考文献