Quantum Computing Professional Specialized in Machine Learning

Mit dem Zertifikat »Quantum Computing Professional Specialized in Machine Learning« beurkunden wir praxisnahes Wissen darüber, maschinelles Lernen mit Quantencomputern erfolgreich anzuwenden.

Ein zertifizierter »Quantum Computing Professional Specialized in Machine Learning«

• kennt die formalen Grundbegriffe des Quantencomputings (Quantenzustand, Bit vs. Qubit, Messung),
• kennt die formalen Grundbegriffe des Maschinellen Lernens (Zielfunktion, Modellklasse, Kreuzvalidierung, Kernfunktion),
• kann Ideen und Bausteine von Quantenalgorithmen für QML-Probleme verwenden,
• kann die Quantum Support Vector Machine Methode beschreiben und in Anwendungsfällen verwenden,
• versteht die Stärken, Schwächen und Grenzen aktueller QML Verfahren,
• kann Quantenschaltkreise lesen und selbstständig erstellen,
• kann auf den Quantencomputer zu enkodieren und das Encoding anschließend analysieren,
• kann hybride quanten-klassische Optimierungsalgorithmen (z.B. Variationellen Quanten Eigensolver (VQE) und Quadratic Unconstrained Binary Optimization (QUBO)) anwenden
• und ist in der Lage, Quanten Clustering Algorithmen zu erstellen und in praktischen Beispielen zu implementieren.

Zielgruppe

• Fachleute aus den Bereichen Data Science und Maschinelles Lernen
• Mitarbeitende von Technologieunternehmen, wie z.B. Pharmazie- und Chemieunternehmen
• Mitarbeitende von Regierungsbehörden die sich für potenzielle Anwendungen in den Bereichen Kryptografie und Cybersicherheit interessieren.
• Mitarbeitende von Forschungseinrichtungen sowie Studierende, die einen Masterabschluss oder eine Promotion in Bereichen wie Informatik, Physik, Mathematik oder Data Science anstreben, und sich darüber hinaus auf den aktuellen Stand im Bereich QML bringen möchten
• Mitarbeitende von Forschungseinrichtungen sowie Studierende, die Vorerfahrungen im Bereich Quantencomputing haben

• Data preprocessing
• Feature spaces
• Supervised learning, unsupervised learning
• Exemplary problems: classification, clustering
• Complexity
• Evaluation
• Basic theoretical concepts
• Different paradigms: Quantum Gate and Adiabatic
• Quantum Fourier transform
• Quadratic Unconstrained binary optimization (QUBO)
• Advantages over classical
• Clustering needed for quantumccomputing
• Grover algorithm
• Quantum k-Means
• SWAP test
• Parametrized quantum circuits
• Data encoding
• Analyzing parametrized quantum circuits
• Classical support vector machines and kernel trick
• Quantum feature maps
• Train quantum kernels, kernel alignment
• Kernel based versus variational training in terms of circuit evaluations
• Neural networks
• Quantum neural networks (QNNs)
• Use cases of QNNs
• Potential quantum advantages of QNNs