این اثر با بیانی کاربردی و رویکردی کدمحور، اصول محاسبات کوانتومی را به مهندسان هوش مصنوعی معرفی می‌کند. کتاب از مفاهیم پایه‌ای کیوبیت و مدارهای کوانتومی آغاز شده و به سرعت وارد مباحث پیشرفته‌تر نظیر الگوریتم‌های هیبریدی کلاسیک-کوانتومی، شبکه‌های عصبی کوانتومی (QNN)، طبقه‌بندی‌کننده‌های کوانتومی و نحوه استفاده عملی از ابزارهای Cirq و Qiskit برای اجرای کدهای یادگیری ماشین روی شبیه‌سازها و پردازنده‌های واقعی کوانتومی می‌شود.
A Practical Guide to Quantum Machine Learning and Quantum Optimization
این کتاب در ۱۸ فصل ساختاریافته، پوشش عمیقی از الگوریتم‌های مدرن کوانتومی ارائه می‌دهد. مباحث کتاب شامل مروری بر اصول محاسبات کوانتومی، حل مسائل بهینه‌سازی با کوانتوم انیلینگ و الگوریتم‌های هیبریدی، ساخت مدل‌های یادگیری ماشین کوانتومی، و پیاده‌‌سازی معماری‌های ترکیبی با استفاده از رابط PyTorch در کتابخانه‌های Qiskit و PennyLane است. ضمیمه‌های کتاب نیز پیش‌نیازهای ریاضیاتی لازم را پوشش می‌دهند.
این اثر با بیانی کاربردی و رویکردی کدمحور، اصول محاسبات کوانتومی را به مهندسان هوش مصنوعی معرفی می‌کند. کتاب از مفاهیم پایه‌ای کیوبیت و مدارهای کوانتومی آغاز شده و به سرعت وارد مباحث پیشرفته‌تر نظیر الگوریتم‌های هیبریدی کلاسیک-کوانتومی، شبکه‌های عصبی کوانتومی (QNN)، طبقه‌بندی‌کننده‌های کوانتومی و نحوه استفاده عملی از ابزارهای Cirq و Qiskit برای اجرای کدهای یادگیری ماشین روی شبیه‌سازها و پردازنده‌های واقعی کوانتومی می‌شود.
A Practical Guide to Quantum Machine Learning and Quantum Optimization
این کتاب در ۱۸ فصل ساختاریافته، پوشش عمیقی از الگوریتم‌های مدرن کوانتومی ارائه می‌دهد. مباحث کتاب شامل مروری بر اصول محاسبات کوانتومی، حل مسائل بهینه‌سازی با کوانتوم انیلینگ و الگوریتم‌های هیبریدی، ساخت مدل‌های یادگیری ماشین کوانتومی، و پیاده‌‌سازی معماری‌های ترکیبی با استفاده از رابط PyTorch در کتابخانه‌های Qiskit و PennyLane است. ضمیمه‌های کتاب نیز پیش‌نیازهای ریاضیاتی لازم را پوشش می‌دهند.
