算法|机器学习的算法机器学习|经典

文章图片

文章图片

文章图片

早在我们拥有电脑之前，人类就在努力寻找数据中的模式。托勒密对天体的运动进行了观测恒星以地球为中心的宇宙模型，具有复杂的本轮来解释行星的逆行运动。在16世纪，开普勒分析了哥白尼和布拉赫的数据，揭示了一个先前隐藏的模式:行星在椭圆中运行，太阳在地球的一个焦点椭圆。对天文数据的分析揭示了这种模式到数学技巧，如解线性方程的方法，通过梯度下降学习最优，多项式插值和最小二乘拟合。

19世纪和20世纪早期产生了广泛的数学\u0002分析数据以揭示其中包含的模式的数学方法。二十世纪中期数字计算机的建造允许数据分析技术的自动化。在过去半个世纪以来，计算机的飞速发展已经成为可能实现线性代数等数据分析技术作为回归分析和主成分分析，已经导致了更多支持向量机等复杂的学习方法。数字计算机的发展和快速进步催生了新的机器学习方法。人工神经网络，例如感知机在20世纪50年代就实现了计算机有能力实现它们。

基于神经的深度学习网络和训练方法在20世纪60年代到90年代被介绍并实现\u0002在过去的五年里，强大的计算机和专用信息处理器，能够实现深度拥有数十亿权重的网络与他们一起应用到非常大型数据集显示，这种深度学习网络是有能力的识别数据中复杂和微妙的模式。量子力学以产生非典型的模式而闻名数据。经典的机器学习方法，如深度神经网络经常有这样的特点。

它们既可以识别数据中的统计模式，又可以产生具有相同统计模式的数据:他们认识到自己创造的模式。这个观察表明下面的希望。如果小型量子信息处理器能产生产生经典的计算困难的统计模式电脑来制作，那么也许它们也能识别出图案同样难以辨识经典。这一希望的实现取决于是否有效量子化可以找到机器学习的算法。量子算法是解决问题的一组指令，如确定是否有两个图是同构的，可以在量子计算机上执行。

量子机器学习软件利用了量子算法作为更大实现的一部分。通过分析量子的步骤算法规定，很明显，他们有潜力\u0002执行经典算法为特定的问题。这种势能被称为量子加速。量子加速的概念取决于一个人是否正式的计算机科学视角——需要数学证明—或者基于使用现实的、有限的大小的设备可以做什么的观点—这需要可靠的统计证据来证明在一些有限的问题大小范围内的缩放优势。

对于量子来说机器学习，可能表现最好的经典算法并不总是为人所知。这类似于肖尔多项式时间的情况整数分解的量子算法:无次指数时间经典算法已被发现，但其可行性尚无法证明排除。测定比例优势对比量子和经典的机器学习依赖于量子的存在计算机和被称为“基准”问题。

【算法|机器学习的算法】这种优势可以包括提高分类精度和经典抽样无法进入系统。因此，量子加速了机器学习，目前的特征是使用理想化的衡量复杂性。查询复杂度和门复杂度。查询复杂度度量信息查询的数量来源为经典或量子算法。一个量子加速结果，如果解决问题所需的查询数量较低比量子算法为经典算法。确定大门复杂性，基本量子运算的数量获得所需的结果均进行计数。