QC101 - Квантовые вычисления и введение в квантовое машинное обучение

Добро пожаловать на самый продаваемый курс по квантовым вычислениям на платформе Udemy!

Квантовые вычисления - это следующая волна в индустрии программного обеспечения. Квантовые компьютеры экспоненциально быстрее классических компьютеров сегодняшнего дня. Проблемы, которые ранее считались слишком сложными для решения компьютерами, такие как моделирование складывания белков в биологических системах и взлом RSA-шифрования, теперь возможны благодаря квантовым компьютерам.

Насколько быстры квантовые компьютеры? 64-битный квантовый компьютер может обрабатывать 36 миллиардов миллиардов байт информации на каждом шаге вычисления. Сравните это с 8 байтами, которые ваш домашний компьютер может обработать на каждом шаге вычисления!

Компании, такие как Google, Intel, IBM и Microsoft, вкладывают миллиарды долларов в свою попытку построить квантовые компьютеры. Если вы освоите квантовые вычисления сейчас, вы будете готовы извлечь выгоду из этой технологической революции.

Этот курс обучает квантовым вычислениям с нуля. Вам нужно только знание математики и физики 12 класса школы.

ВАЖНО: вы должны любить физику и математику, чтобы получить максимальную пользу от этого курса. Этот курс в первую очередь посвящен анализу поведения квантовых цепей с помощью математики и квантовой физики. Хотя здесь объясняется все, что вам нужно знать после школьной науки 12 класса, вы должны понимать, что квантовая физика является чрезвычайно сложной темой. Вам может часто приходиться останавливать видео и пересматривать урок, чтобы понять его.

Кажется, что главным приложением для квантовых вычислений станет машинное обучение и искусственный интеллект.

Алгоритмы квантового машинного обучения обеспечивают значительное ускорение обучения. Это ускорение может привести к более точным прогнозам.

Хотя понимание квантовых алгоритмов требует владения сложной математикой, использование квантового машинного обучения относительно просто. Qiskit инкапсулирует алгоритмы машинного обучения в API, который имитирует популярный инструментарий машинного обучения Scikit-Learn. Таким образом, вы можете использовать квантовое машинное обучение почти так же просто, как традиционное машинное обучение!

Квантовое машинное обучение может быть применено на серверной стороне для обучения моделей, и обученные модели могут быть использованы в потребительских гаджетах. Это означает, что квантовое машинное обучение может улучшить вашу повседневную жизнь, даже если квантовые компьютеры останутся дорогими!

ПЛАН КУРСА

Мы начнем с изучения основ математики. Возможно, вы забыли то, что учили в школе. Я повторно рассмотрю линейную алгебру, вероятность, булеву алгебру и комплексные числа.

Квантовая физика обычно считается неприступной, потому что она занимается поведением крайне малых частиц. Но в этом курсе я объясню квантовую физику через поведение поляризованного света. Свет - это явление, которое происходит каждый день, и вы сможете легко понять его.

Далее мы узнаем о квантовой криптографии. Квантовая криптография доказано непригодной к взлому. Я объясню квантовый протокол BB84 для безопасного обмена ключами.

Затем мы узнаем о строительных блоках квантовых программ, которые представляют собой квантовые вентили.

Чтобы понять, как работают квантовые вентили, мы изучим квантовое суперпозицию и квантовую запутанность в глубину.

Мы применим полученные знания, создавая квантовые цепи с помощью Microsoft Q# (QSharp) и IBM Qiskit. Для тех, кто не знаком с языком программирования Python, я предоставлю краткое введение в то, что вам нужно знать.

Мы начнем с простых цепей, а затем перейдем к полной реализации квантового протокола криптографии BB84 в Qiskit.

Мы узнаем, как использовать реализацию алгоритма Шора в Qiskit для факторизации больших чисел.

Главное применение квантовых вычислений - квантовое машинное обучение.

Чтобы понять квантовое машинное обучение, мы должны сначала изучить, как работает классическое машинное обучение. Я предоставлю краткое введение в классическое машинное обучение и нейронные сети (глубокое обучение).

Наконец, мы обучим квантовую машину опорных векторов на реальных данных и будем использовать ее для прогнозирования.