اکسپرس 24
ترجمه فارسی مقاله یادگیری انتقالی کوانتومی برای طبقه‌بندی MNIST با استفاده از یک رویکرد ترکیبی کوانتومی-کلاسیکی

ترجمه فارسی مقاله یادگیری انتقالی کوانتومی برای طبقه‌بندی MNIST با استفاده از یک رویکرد ترکیبی کوانتومی-کلاسیکی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach
عنوان مقاله به فارسی یادگیری انتقالی کوانتومی برای طبقه‌بندی MNIST با استفاده از یک رویکرد ترکیبی کوانتومی-کلاسیکی
نویسندگان Soumyadip Sarkar
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 800,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this research, we explore the integration of quantum computing with classical machine learning for image classification tasks, specifically focusing on the MNIST dataset. We propose a hybrid quantum-classical approach that leverages the strengths of both paradigms. The process begins with preprocessing the MNIST dataset, normalizing the pixel values, and reshaping the images into vectors. An autoencoder compresses these 784-dimensional vectors into a 64-dimensional latent space, effectively reducing the data's dimensionality while preserving essential features. These compressed features are then processed using a quantum circuit implemented on a 5-qubit system. The quantum circuit applies rotation gates based on the feature values, followed by Hadamard and CNOT gates to entangle the qubits, and measurements are taken to generate quantum outcomes. These outcomes serve as input for a classical neural network designed to classify the MNIST digits. The classical neural network comprises multiple dense layers with batch normalization and dropout to enhance generalization and performance. We evaluate the performance of this hybrid model and compare it with a purely classical approach. The experimental results indicate that while the hybrid model demonstrates the feasibility of integrating quantum computing with classical techniques, the accuracy of the final model, trained on quantum outcomes, is currently lower than the classical model trained on compressed features. This research highlights the potential of quantum computing in machine learning, though further optimization and advanced quantum algorithms are necessary to achieve superior performance.

چکیده به فارسی (ترجمه ماشینی)

در این تحقیق ، ما ادغام محاسبات کوانتومی با یادگیری ماشین کلاسیک را برای کارهای طبقه بندی تصویر ، به طور خاص با تمرکز بر روی مجموعه داده MNIST بررسی می کنیم.ما یک رویکرد کلاسیک کوانتومی ترکیبی را پیشنهاد می کنیم که از نقاط قوت هر دو پارادایم استفاده می کند.این فرآیند با پیش پردازش مجموعه داده MNIST ، عادی سازی مقادیر پیکسل و تغییر شکل مجدد تصاویر در بردارها آغاز می شود.یک AutoEncoder این بردارهای 784 بعدی را به یک فضای نهفته 64 بعدی فشرده می کند و ضمن حفظ ویژگی های اساسی ، ابعاد داده را به طور موثری کاهش می دهد.این ویژگی های فشرده شده سپس با استفاده از یک مدار کوانتومی که بر روی یک سیستم 5-quit اجرا می شود ، پردازش می شوند.مدار کوانتومی دروازه های چرخش را بر اساس مقادیر ویژگی اعمال می کند ، و به دنبال آن دروازه های Hadamard و CNOT برای به دام انداختن Qubits و اندازه گیری ها برای تولید نتایج کوانتومی انجام می شود.این نتایج به عنوان ورودی برای یک شبکه عصبی کلاسیک طراحی شده برای طبقه بندی ارقام MNIST است.شبکه عصبی کلاسیک شامل چندین لایه متراکم با عادی سازی دسته ای و ترک تحصیل برای تقویت تعمیم و عملکرد است.ما عملکرد این مدل ترکیبی را ارزیابی می کنیم و آن را با یک رویکرد کاملاً کلاسیک مقایسه می کنیم.نتایج تجربی نشان می دهد که در حالی که مدل ترکیبی امکان ادغام محاسبات کوانتومی با تکنیک های کلاسیک را نشان می دهد ، صحت مدل نهایی ، که روی نتایج کوانتومی آموزش دیده است ، در حال حاضر پایین تر از مدل کلاسیک است که بر روی ویژگی های فشرده شده آموزش دیده است.این تحقیق پتانسیل محاسبات کوانتومی در یادگیری ماشین را برجسته می کند ، اگرچه بهینه سازی بیشتر و الگوریتم های کوانتومی پیشرفته برای دستیابی به عملکرد برتر ضروری است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.