Kvantové strojové učení

Garant předmětu:

Aurél Gábor Gábris

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra aplikované matematiky

Anotace:

The aim of the course is to introduce students to quantum machine learning. Students will first learn theoretically and practically about the quantum representation of classical data. Next, they will explore kernel methods, the quantum SVM model, and the use of quantum variational methods in supervised learning scenarios. The course will also introduce quantum neural networks and quantum generative adversarial models in unsupervised learning scenarios. The primary focus of the course is quantum algorithms for classical data. The exercises will use the pandas and qiskit libraries for Python to work with data and models.

Požadavky:

Osnova přednášek:

1. Introduction, quantum representation of classical data.

2. Quantum random access memory.

3. Quantum PCA.

4. Quantum K-means and hierarchical clustering.

5. Nearest neighbour method.

6. Quantum kernel methods.

7. Quantum SVM.

8. Deep quantum learning - an introduction.

9. Classical and quantum Boltzmann machines.

10. Quantum generative adversarial networks.

11. Quantum perceptron.

12. Quantum neural networks.

13. Machine learning for quantum data.

Osnova cvičení:

1) Úvod, kvantová reprezentace klasických dat, Amlitudové kódování dat

2) Kvantové jádrové metody

3) Kvantové SVM

4) Kvantové K-means a hierarchické shlukování

5) Kvantové generativní adversariální modely

6) Kvantové neuronové sítě

Cíle studia:

The aim of the course is to introduce students to quantum machine learning. Students will first learn theoretically and practically about the quantum representation of classical data. Next, they will explore kernel methods, the quantum SVM model, and the use of quantum variational methods in supervised learning scenarios. The course will also introduce quantum neural networks and quantum generative adversarial models in unsupervised learning scenarios. The primary focus of the course is quantum algorithms for classical data. The exercises will use the pandas and qiskit libraries for Python to work with data and models.

Studijní materiály:

1. Schuld, M., Petruccione, F.: Machine Learning with Quantum Computers

Springer 2021

ISBN 978-3-030-83097-7

2. Ganguly, S.: Quantum Machine Learning: An Applied Approach

Apress 2021

ISBN 978-1-4842-7097-4

3. Pastorello, D.: Concise Guide to Quantum Machine Learning

Springer 2023

ISBN 978-981-19-6896-9

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/QNI-QML

Předmět je vyučován v českém jazyce.

Další informace:

https://courses.fit.cvut.cz/QNIE-QML

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů: