当量子计算遇上机器学习：推荐五门基础课程

光子盒研究院出品

想必大多数人都听说过人工智能和量子计算。但是，你听说过量子机器学习吗?

量子机器学习是量子计算和人工智能的融合，致力于为机器学习任务开发量子算法。在未来的几年内，量子机器学习有望成为量子计算机最具前景的应用领域之一。一方面，人们已经提出了许多量子机器学习算法，从而可以帮助量子计算机加速传统的机器学习。另一方面，深度学习已经被我们证明可以非常有效地解决现实世界的问题。

量子机器学习作为一门前沿交叉学科，人们似乎缺乏了解它的途径，但是，其实已经有很多很棒的在线课程可以帮助你理解量子机器学习的基础知识。

课程平台：Coursera（大型公开在线课程项目，由美国斯坦福大学两名计算机科学教授创办）

课程信息如下：

量子计算代表了计算领域的一种全新范式，可用于材料设计、药物设计、基因和分子模拟和天气模拟等工作。其中，量子计算在人工智能和机器学习领域的进展是最快速的。因为，从理论上讲，量子计算机可以加速矩阵乘法运算，并非常快速地处理大量的数据，因此它可能使人工智能和机器学习的模式发生改变。

这个2小时的基于项目的课程将教你机器学习如何从工作中获益的基础知识，以及如何使用Xanadu Pennylane库在Python中应用这些知识。

你可以学习如何使用多种软件库来编码量子算法和数据，以便在量子设备的经典模拟和真实的量子设备使用中，这些设备可以通过互联网在IBM等供应商处访问。

学习步骤如下：

你的授课教师将指导你完成以下每个步骤：

1. 学习量子计算和量子机器学习的基本知识。

2. 学习如何Pennylane.ai并了解它的作用。

3. 构建量子节点和自定义模板

4. 使用Pennylane用量子计算来计算Autograd和Loss函数

5. 使用Pennylane.ai API进行开发

6. 构建自己的Pennylane插件

7. 将量子节点转换为Tensorflow Keras层

课程链接：

https://www.coursera.org/projects/getting-started-quantum-machine-learning

课程平台：edX（麻省理工和哈佛大学于2012年4月联手创建的大规模开放在线课堂平台）

课程信息如下：

量子计算机的实用性正在逐步增强，这就引出了一个问题：我们要用它们做什么?答案是：机器学习是个不错的选择。本课程将介绍几种量子机器学习算法，并运用于Python中。

量子计算的发展步伐反映了机器学习和人工智能方面的快速进步。因此，人们很自然地会问道：量子技术是否可以促进学习算法（这个研究领域被称为量子增强机器学习）。

本课程的目的是展示当前和未来的量子技术可以为机器学习带来的优势，并重点介绍难以用经典数字计算机实现的算法。使用Python中的开源框架来实现协议。在课程结束时，学生将能够区分适用于机器学习的量子计算范式。

为了延伸重点主题的学习深度，该领域杰出的研究人员还将为大家提供客座讲座。这些客座讲师包括Alán Aspuru-Guzik、Seth Lloyd、Roger Melko和Maria Schuld。

1.讲座内容如下所示：

1)了解量子态的基础知识，作为经典概率分布的推广，它们在封闭和开放系统中的演化，以及作为抽样形式的测量。描述基本的经典和量子多体系统。

2)对比量子计算范式和实现形式。认识当前和未来近期的量子技术的局限性，以及相对于经典计算机而言，它们现在及未来的优势所在。解释变分电路。

3)描述并实现经典-量子混合学习算法。在量子系统中编码经典信息。使用不同的量子计算范式在集成和无监督机器学习中执行离散优化。对量子态进行抽样并构建概率模型。在量子计算机上用异常核函数进行实验。

4) 演示相干量子机器学习协议并估计其资源需求。概括总结并学习量子傅立叶变换、量子相位估计和量子矩阵。学习量子算法的一般线性代数子程序。量子计算机上的高斯过程。

2.学完该课程，学生们将具备以下能力：

•区分与机器学习相关的量子计算范式

•在不同的时间尺度上评估对量子设备的期望

•识别机器学习中使用量子资源的机会

•用Python在量子计算机上学习算法

3.你可以通过申请认证证书来证明自己获得的知识和技能，价格是49美元

证书将带来如下好处：

1.官方认证：你将获得带有学校标志和教师签名的证书，从而证明你的学习成就并增加就业选择

2.轻松共享：你可以把证书添加到你的简历中，或直接发布到LinkedIn上

3.提供动力：为你完成该课程提供更多的动力

4.符合我们的使命：edX是一家非盈利机构，资金的唯一来源就是认证证书的价格，并将这些资金用于为世界人民提供免费的教育课程

4.课程面向的人群：

来自伊朗、古巴和乌克兰克里米亚地区的学员将不能注册本课程。

课程链接：

https://www.edx.org/course/quantum-machine-learning

课程平台：Udemy（开放式在线教育网站）

本课程为理解量子计算和量子机器学习奠定了基础。本课程的使适用范围：机器学习、人工智能、物理学家、研究人员、云计算专业人员、Python程序员、DevOps工程师、想要进入计算新时代（量子计算时代）的数据科学专业人士。本课程将详细讨论许多基础内容，以便学生在开始学习量子计算和机器学习时，对这些概念有深刻的理解。 

课程信息如下：

该课程为量子计算与量子机器学习基础课程

1.涉及科目：量子力学、量子物理、量子计算、量子机器学习、代数、微积分、编程、Python

2.学习的基础：高一数学

3.课程结构：

该量子计算系列将分为多个部分，并将分阶段推出。它将从最基础的内容开始。学习本课程没有任何前提条件。

第1部分将为研究量子计算奠定基础。因此，第1部分主要是通过量子力学和一些数学基础来学习本课程。

从第2部分开始，编程将在内部使用IBM的Qiskit库进行，并逐渐发掘量子计算和量子机器学习的更重要概念。量子计算系列的多个部分将逐步展开，逐步围绕量子计算和量子机器学习构建概念。

本课程将为量子计算或希望在该领域进一步追求的任何人打下坚实的基础。本课程将向你介绍量子计算/编程/物理/ Qiskit框架和量子门

请确保你已完成第1部分课程，该课程的内容是学习第2部分的基础。

4.课程面向以下成员：

开发者、研究人员、数据科学家、分析员、物理学家、数学家、IT专业人士、大数据开发者、机器学习开发人员、人工智能研究人员、

课程链接：

https://www.udemy.com/course/quantum-computing-and-quantum-machine-learning-part-1/

课程平台：BlueCourses

学生将在本课程中学习量子计算的基础知识。往往需要一定的数学直觉。这门课程需要一个强大的理论背景，但它也适合那些很少甚至没有量子力学或量子计算的先验知识的人群。该课程内容包括理论和技术信息的良好结合，以及实施细节。

课程信息：

在本课程中，学生将学习量子计算的基本知识。课程的大体结构是：我们首先概述量子系统的概念基础。然后在下一章重点介绍基本计算操作，以及Python Qiskit（量子计算开源开发工具包）中的示例程序。在以上内容的基础上，我们会介绍一些核心量子计算算法，重点是相干量子机器学习，例如，量子傅里叶变换、量子相位估计算法和量子搜索算法。接下来，我们引入了短期含噪中型量子(NISQ)的概念，并导出了适合在当前硬件上运行的混合量子-经典算法。然后，我们还讨论了最近的突破、量子优越性和现有的硬件。该课程提供了一个良好的融合理论和技术见解，以及实施细节。

1.价格：

该课程的报名费为每位学生需要缴纳250欧元（不含增值税）的报名费。付款会通过PayPal安全送达。注册完成后，我们将为您提供为期1年的访问所有课程材料(视频、代码脚本、测验和证书)的权利。

2.要求：

在选修这门课程之前，你应该对线性代数(如向量、矩阵、张量)和复积分(如复共轭)有基本的了解。你也应该完成我们的机器学习基本课程。

3.课程大纲：

•第1章:量子力学导论

为什么使用量子计算

量子物理的历史

量子比特（Qubits）

概率解释

布洛赫球

干涉

两个量子比特态

纠缠

量子比特vs比特

测验

•第2章：对量子计算的介绍

量子计算的形式

量子计算：抽象层次

量子电路

量子运算符

单量子比特算符

多量子比特算符

量子的力量

讲师笔记

Grover算法

测验

•第3章:在量子计算机上存储数据

数据表示

基本编码

振幅编码

动态编码

测验

•第4章：相干量子计算

量子傅立叶变换

量子相位估计

期望值

矩阵乘法（HLL）

量子随机存取存储器

量子支持向量机

绝热量子计算

测验

•第5章：当前和近期量子计算设备的算法

退相干

量子优越性

NISQ

量子近似优化算法（QAOA）

变分量子线性求解器

量子退火

量子云计算

•测验

课程链接：

https://www.bluecourses.com/courses/course-v1:bluecourses+BC11+2020_Q4/about

本文共分为四部分：

第一部分涵盖基本量子理论。

第二部分涵盖量子计算和量子计算机体系结构。

第三节介绍量子算法，量子算法在量子机器学习算法中用作子程序。

最后，利用在前几节中获得的信息，第四节解释量子机器学习算法。 

文章信息：

1.作者：Dawid Kopczyk

本文旨在向数据科学家展示和解释量子机器学习算法。课程中的算法和方程式并不是以严格的数学方式编写的，而是通过了解并解决示例中的难题教学。本文对量子机器学习算法进行了综述，提出了一种量子PCA算法的分数提取方法，并介绍了一种新的前馈量子神经网络的代价函数。

2.介绍

机器学习是计算机科学领域的一部分，其目的是识别模式，并从数据中学习，以输出正确的预测。它可以被视为一种人工智能形式，用于政府分析、医疗报告、商业决策、财务风险管理和其他领域，这些领域的决策和优化都基于数字化存储的信息。由于世界各地的公司存储的数据越来越多，以及工作软件方面的一些突破，机器学习在工业中越来越重要。在过去的几年里，研究人员一直在研究量子计算机是否可以用来提高机器学习算法的性能。

量子计算机利用量子力学效应，如叠加和纠缠，以比经典计算机更快的速度解决一系列问题。尽管量子计算机仍处于实验阶段，但量子算法已经在过去20年里得到了发展。量子算法涉及大量因子分解和优化等问题，后者有效地用于加快机器学习算法。量子机器学习是一个相对新的研究领域，最近的工作在量子版本的监督和无监督算法。

对于数据科学家这样的非物理学家来说，主要的困难是对量子物理理论和科学记数法知识的要求。它可以制造一些认知障碍，以理解量子算法的好处和局限性。该领域得到大多数文章都是为量子物理学家写的，所以他们对量子算法和量子机器学习算法的非凡技术和发现几乎没有留下任何解释。

本文向数据科学家展示和解释量子机器学习算法。此外，还对基于电路的量子机器学习算法进行了综述，列出了它们的优点和局限性。为了正确地向非物理学家解释量子机器学习，本文尽可能少地提出理解量子计算所需的量子理论。然后，逐步提出量子算法和量子机器学习算法，并给出了可访问的例子。希望这能让有抱负的数据科学家了解到使用量子计算机进行机器学习的可能性和局限性，并获得关于量子机器学习算法背后的数学和逻辑知识。

3.课程大纲：

•介绍

•第1章：基础量子理论

•第2章：量子计算

•第3章：量子算法

•第4章：量子机器学习算法

•第5章：当前和近期量子计算设备的算法

•结论

课程链接：

https://arxiv.org/abs/1804.10068

—End—

相关阅读：

#光子盒社群招募中#

进入光子盒社群，与我们近距离互动，了解量子领域更多产业、商业、科技动态，领取量子技术产业报告。

现添加社群助手微信Hordcore即可进群 ，与我们一起展望未来！

你可能会错过：