Rassegna su Quantum Machine Learning

De Bonis, Gianluca (2021) Rassegna su Quantum Machine Learning. [Laurea], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [L-DM270] - Cesena, Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (1MB) | Contatta l'autore

Abstract

Il Quantum Computing (QC) e il Machine Learning (ML) sono due dei settori più promettenti dell’informatica al giorno d’oggi. Il primo riguarda l’utilizzo di proprietà fisiche di sistemi quantistici per realizzare computazioni, mentre il secondo algoritmi di apprendimento automatizzati capaci di riconoscere pattern nei dati. In questo elaborato vengono esposti alcuni dei principali algoritmi di Quantum Machine Learning (QML), ovvero versioni quantistiche dei classici algoritmi di ML. Il tutto è strutturato come un’introduzione all’argomento: inizialmente viene introdotto il QC spiegandone le proprietà più rilevanti, successivamente vengono descritti gli algoritmi di QML confrontandoli con le loro controparti classiche e infine vengono discusse le principali tecnologie attuali, mostrando alcune implementazioni degli algoritmi precedentemente discussi.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
De Bonis, Gianluca
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
quantum computing,machine learning,quantum machine learning,BQP,Python
Data di discussione della Tesi
2 Dicembre 2021
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^