非参数学习能够通过从一组新输入数据与所有样本之间的相似性中提取信息来做出可靠的预测。这里我们指出了一种非参数学习的量子范式，它提供了样本大小的指数级加速。通过将数据编码到量子特征空间中，数据之间的相似性被定义为量子态的内积。引入量子训练态来叠加样本的所有数据，在其二分纠缠谱中编码用于学习的相关信息。我们证明了使用量子矩阵工具箱可以通过纠缠谱变换获得用于预测的训练状态。我们进一步制定了一个可行的协议来实现捕获离子的量子非参数学习，并展示了量子叠加对机器学习的强大作用。