⚛
Livre interactif 15% du livre publié — état désiré : 13 chapitres
Quantum Machine Learning à l'ère NISQ
La boucle variationnelle hybride — encoder les données, circuit paramétré, mesurer, optimiser classiquement θ. 13 chapitres pour maîtriser le QML avec Qiskit. Chaque chapitre : fiche mémo + quiz + kata Qiskit.
2 chapitres disponibles
13 chapitres au total
4 niveaux
Table des matières
Débutant
Fondations ML classique — F(x,θ), paradigmes, gradient, biais-variance, puis cadre QML et NISQ
1-2
Le ML comme approximation de fonction & Les trois paradigmes d'apprentissage Disponible
→ 3-4
Workflow supervisé et descente de gradient & Compromis biais-variance Disponible
→ 5-6
Les quatre régimes du QML & NISQ vs tolérant aux pannes Bientôt
🔒 Intermédiaire
Le classificateur variationnel — VQC, encodages, feature maps, ansatz, mesure et entraînement
7-8
Anatomie d'un classificateur variationnel (VQC) & Encodage Basis Bientôt
🔒 9-10
Encodage Amplitude & Encodage Angle et Dense Angle Bientôt
🔒 11-12
Feature maps d'ordre supérieur (ZZ Feature Map) & Concevoir l'ansatz Bientôt
🔒 13-14
Mesurer et décider (Sampler vs Estimator) & Entraîner un circuit paramétré Bientôt
🔒 Avancé
Noyaux quantiques (QSVM) et réseaux de neurones quantiques (QNN) — non-linéarité en quantique
15-16
Le SVM classique & Forme duale et astuce du noyau Bientôt
🔒 17-18
Le noyau quantique comme fidélité & La QSVM en pratique Bientôt
🔒 19-20
Le perceptron et la non-linéarité & Introduire la non-linéarité en quantique Bientôt
🔒 Expert
Data Re-uploading, QCNN, Barren plateaus — les architectures NISQ les plus prometteuses
21-22
Le Data Re-uploading & Du CNN au QCNN Bientôt
🔒 23-24
Couches convolutives et pooling quantiques & Plateaus de Barren Bientôt
🔒 25-26
Le QCNN, architecture NISQ prometteuse & Synthèse et ouverture Bientôt
🔒