鐵人檔案
本系列將以 AI Engineering 的工程實作角度，從零開始探索 Quantum Machine Learning（QML）。30 天內容涵蓋量子運算與 QML 基礎、量子電路與資料編碼、Variational Quantum Circuit、Quantum Neural Network、混合式 Classical-Quantum 模型，以及 QML 實驗設計與模型評估。同時嘗試結合 GPU、CUDA 與現有開源工具改善模擬與運算流程，並透過 Python、實驗程式與 GitHub 專案，記錄一名 AI 工程師進入 Quantum AI 世界的完整學習與實作歷程。
Day 10 的訓練資料本來就落在 [-1, 1]，像是已經切好的食材。真實工作往往從「公分、公斤、原始分數」開始。今天回到更早一步：原始數字怎麼變成電路能用...
Day 11 用 θ = πx 把縮放後的特徵轉成角度，也看到 −1 與 +1 可能變成同一個物理態。今天固定同一份資料與同一把「只看訓練集」的縮放尺，改動三...
Day 12 把每個特徵轉成一個旋轉角度。今天換一條路：把整筆數字寫進量子態的係數（振幅），並回答兩個常被混在一起的問題—— 資料在數學上怎麼變成合法量子態...
Day 12、13 分別把資料變成「角度」或「振幅狀態」。今天要把兩邊接到同一套可調電路、同一個 ZZ 讀出、同一個最佳化器介面，組成 Day 15 分類任務...
Day 14 把編碼、可調電路、讀出與最佳化器接成骨架。今天補上分類真正需要的流程：標籤、資料切分、訓練、選模型、評分、存檔、重新載入還能預測。 用考試打比方...
Day 15 已經能把量子電路接到分類流程。今天先不要比誰準，先問更基本的問題：兩邊看起來都能「輸入 → 預測 → 算誤差 → 調參數」，但內部的數字各自代表...
Day 15 用不需要梯度的座標搜尋調權重；Day 16 比較了 QNN 與 MLP。今天補上另一條訓練路：怎麼算出「某個權重微微改變時，輸出與損失會怎麼動」...
Day 17 把梯度算清楚了。今天換問題：若要把「一般機器學習」和「量子模型」放在同一張成績單上，事前要先釘死哪些規則？ 想像一場考試：同一份考卷、同一套計分...
