Как стать автором
Обновить
7
0

Пользователь

Отправить сообщение

В библиотеке pandas для создания таблиц есть класс DataFrame, он бы для задачи из этой статьи идеально подошел.

Вместо двумерных массивов прямо-таки напрашиваются таблицы, так что смело можно использовать pandas и орудовать датафреймами. Ну и если уж заниматься анализом данных, то, помимо pandas, также пригодятся библиотеки numpy, scikit-learn, matplotlib, seaborn и т.д. А лучше сразу поставить Anaconda, там уже всё это есть, и графики прямо там (в Jupyter Notebook) можно строить.

Теперь я только зарабатывал.

Это ощутимый минус. Сомневаюсь, что рекрутеры смогли вашу вакансию закрыть, даже несмотря на высокую зарплату.

Далее идите на биржи ... и пробуйте применить полученные знания на практике. Там есть заказчики, которые готовы ждать и у которых нет завышенных ожиданий. Много они вам не заплатят, но зато вы сможете восстановить подзабытые навыки и улучшить новые.

Неплохой вроде бы совет, но только в теории, а на практике на подобных ресурсах страшный демпинг, да и сама постановка задач заказчиками далека от профессиональной IT-практики.

Спасибо за статью, очень познавательно.
В формуле числа итераций, мне кажется, ошибка. Под корнем вместо n (число кубитов) должно быть N/K, где N - число всех возможных состояний и K - число искомых состояний (в примере из статьи это 4), причем эта формула оценочная и только для больших N, а в этом примере можно число итераций посчитать напрямую через угол между гиперплоскостью всех состояний кроме искомых и гиперплоскостью искомых состояний. Если этот угол поставить в формулу (2i + 1)*угол (где i - число итераций), то должно получиться около 90 градусов, для того, чтобы при измерении получались в основном только искомые состояния.

И еще по поводу слова "кубит" - оно склоняется по падежам (https://ru.wiktionary.org/wiki/кубит):

Разработка в целом так устроена, что когда ты недостаточно компетентен — да ничего не произойдет. Ты будешь незамечать кучу проблем, но от них никто не умрет.

Автор в целом прав, но все-таки в истории разработки есть примеры сильных последствий наподобие Therac-25. В наше время такие громкие провалы, конечно, редкость, но и гораздо более безобидные баги все равно могут приводить к неприятным последствиям. Хорошо, если такой разработчик не плодит баги в медицине, но вообще, если перебрать все отрасли, тяжело представить такую сферу, где описанный в статье персонаж не будет изредка приносить мелкий материальный или какой-то ещё ущерб. Разве что в индустрии игр (хотя многие и с этим не согласятся). Статья полезная в том плане, что вдохновляет новичка не быть самозванцем, несмотря на синдром оного.
Описывая экономические и прочие ужасы, наступившие после карантинных мер, автор допускает логическую ошибку «После значит вследствие».
Небольшая неточность в статье: «Qiskit – это визуальный язык программирования». На самом деле Qiskit — это библиотека Python для квантовых вычислений, в ней используются обычные команды в виде текста (не визуальные). То есть это примерно то же, что и Q#, но с более лаконичным кодом. Видимо, имелся в виду Circuit Composer с quantum-computing.ibm.com — визуальный редактор для квантовых вычислений.

Да, будет цикл статей, но начну, наверное, с квантовых вычислений, а потом, если получится уложиться в формат статей, продолжу про квантовый ML. Спасибо за ссылку!

Кубит может играть роль генератора случайных чисел. Или вы про что-то другое?
Хотелось бы посмотреть лекцию, не откроете доступ по ссылке?

Я ещё забыл упомянуть генерацию случайных чисел. На классическом компьютере это псевдослучайные числа, на квантовом — настоящие случайные числа.

Квантовую связь не получится в полной мере симулировать, так как это нелокальное взаимодействие, используется квантовая запутанность (в алгоритме квантовой телепортации). Не получится также полноценно симулировать один из методов оптимизации — квантовый отжиг, так как он работает за счет квантового туннелирования. В этих случаях можно только имитировать квантовые вычисления.
Статья задумывалась больше как вводная, для подробного описания алгоритмов машинного обучения на квантовом компьютере нужен цикл статей.

По поводу кодирования информации есть разные подходы: Сет Ллойд говорит о кодировании посредством амплитуд или вероятностей, Скотт Ааронсон пишет про использование квантового оракула. Я думаю, это будет постепенно развиваться. А что вы имеете в виду под квантовыми устройствами аналогового характера?

Мне кажется, CS в итоге разделится на две ветки: будет классический CS и квантовый.

Всё-таки отличие большое: в квантовых вычислениях нет циклов. Помимо того, в квантовых вычислениях возможны алгоритмы, аналогов которым нет в классических компьютерах.

Да, скорее речь идёт о квантовом параллелизме.

Если интересуют квантовые вычисления для машинного обучения, то могу порекомендовать лекцию Сета Ллойда.
Более подробно эта тема разбирается в курсе Университета Торонто Quantum Machine Learning.
Для квантовых вычислений в Python есть библиотеки qiskit и cirq, в качестве бэкенда можно использовать как симулятор, так и реальный квантовый компьютер (в облаке).
Да, новость действительно прорывная. Интересно будет наблюдать за соперничеством Google и IBM в этой области.
1

Информация

В рейтинге
Не участвует
Откуда
Москва, Москва и Московская обл., Россия
Зарегистрирован
Активность