⚛

Livre interactif

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.

13 chapitres disponibles

13 chapitres au total

4 niveaux

100% du livre publié — état désiré : 13 chapitres

Table des matières

🌿

Débutant

Fondations ML classique — F(x,θ), paradigmes, gradient, biais-variance, puis cadre QML et NISQ

3 / 3

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 Disponible

→

⚡

Intermédiaire

Le classificateur variationnel — VQC, encodages, feature maps, ansatz, mesure et entraînement

4 / 4

7-8

Anatomie d'un classificateur variationnel (VQC) & Encodage Basis Disponible

→

9-10

Encodage Amplitude & Encodage Angle et Dense Angle Disponible

→

11-12

Feature maps d'ordre supérieur (ZZ Feature Map) & Concevoir l'ansatz Disponible

→

13-14

Mesurer et décider (Sampler vs Estimator) & Entraîner un circuit paramétré Disponible

→

🔮

Avancé

Noyaux quantiques (QSVM) et réseaux de neurones quantiques (QNN) — non-linéarité en quantique

3 / 3

15-16

Le SVM classique & Forme duale et astuce du noyau Disponible

→

17-18

Le noyau quantique comme fidélité & La QSVM en pratique Disponible

→

19-20

Le perceptron et la non-linéarité & Introduire la non-linéarité en quantique Disponible

→

👑

Expert

Data Re-uploading, QCNN, Barren plateaus — les architectures NISQ les plus prometteuses

3 / 3

21-22

Le Data Re-uploading & Du CNN au QCNN Disponible

→

23-24

Couches convolutives et pooling quantiques & Plateaus de Barren Disponible

→

25-26

Le QCNN, architecture NISQ prometteuse & Synthèse et ouverture Disponible

→