在大数据背景下，现有的经典数据挖掘算法面临计算性能的严峻挑战。本书讨论如何利用量子计算高效解决数据挖掘问题，重点针对关联规则挖掘、主成分分析、岭回归及其在视觉追踪方面的应用等若干重要的数据挖掘问题介绍相应的量子算法，分析它们的复杂度并评估它们相对经典算法的速度优势。
本书适合量子算法和数据挖掘相关领域的研究人员使用，也可供感兴趣的读者阅读。

前言
第1章 绪论
1.1 背景和意义
1.2 研究现状
1.2.1 量子数据分类算法
1.2.2 量子线性回归算法
1.2.3 量子聚类算法
1.2.4 量子降维算法
1.2.5 其他量子算法
1.3 章节安排及主要内容
第2章 量子计算基础知识
2.1 量子信息
2.1.1 量子比特
2.1.2 测量
2.2 量子电路
2.2.1 单量子比特门
2.2.2 受控量子门
2.2.3 通用量子门
2.3 基础量子算法
2.3.1 哈密顿量模拟
2.3.2 量子傅里叶变换
2.3.3 相位估计
2.3.4 幅度放大
2.3.5 量子交换测试
第3章 量子关联规则挖掘算法
3.1 经典关联规则挖掘回顾
3.2 量子算法
3.2.1 构建量子黑盒
3.2.2 算法设计
3.2.3 复杂度分析
第4章 基于主成分分析的量子数据降维算法
4.1 经典主成分分析回顾
4.2 量子算法
4.2.1 算法设计
4.2.2 复杂度分析
4.3 在量子机器学习中的应用
4.3.1 量子支持向量机
4.3.2 量子线性回归预测
第5章 量子岭回归算法
5.1 经典岭回归回顾
5.2 量子算法
5.2.1 子算法1：产生编码最优拟合系数的量子态
5.2.2 子算法1的复杂度分析
5.2.3 子算法2：量子交叉验证以选择合适的岭回归参数
5.2.4 子算法2的复杂度分析
5.2.5 总算法
第6章 量子视觉追踪算法
6.1 经典视觉追踪算法
6.2 量子算法
6.2.1 扩展循环哈密顿量模拟
6.2.2 训练阶段
6.2.3 探测阶段
6.2.4 时间复杂度分析
6.2.5 扩展到二维图片
6.3 应用
6.3.1 目标消失探测
6.3.2 运动行为匹配
第7章 总结与展望
附录A 量子岭回归算法补充材料
附录B 量子视觉追踪算法训练阶段初始量子态制备
参考文献