Weiterbildung: Quantencomputing und Maschinelles Lernen

Quantencomputing und Maschinelles Lernen sind Schlüsseltechnologien, die unsere Technologielandschaft in den kommenden Dekaden maßgeblich prägen werden, und es teilweise heute schon tun. Um auf diesen Gebieten konkurrenzfähige Resultate zu erzielen sind hochqualifizierte Experten notwendig, welche in beiden Bereichen Expertise aufweisen. Das Modul deckt Themen in der Schnittmenge aus Quantencomputing und Maschinellem Lernen ab. Es richtet sich sowohl an Personen mit Quantencomputing-Hintergrund als auch Personen mit einem Hintergrund im Bereich Data Science. Die Teilnehmenden erlangen die Fähigkeit maschinelles Lernen mit Quantencomputern erfolgreich anzuwenden. Dazu werden zahlreiche aktuelle Methoden präsentiert, die es ihnen ermöglicht, auf zukünftige Hardware-Fortschritte zu reagieren und eigenständig neue QML-Algorithmen zu entwickeln. Die vermittelten Konzepte werden mit einer Vielzahl von Fallbeispielen aus realen Anwendungen und Projekten illustriert. Ein großer Teil des Kurses dient dazu, das Erlernte mit praktischen Anwendungsbeispielen weiter zu vertiefen.

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

Ziele der Schulung

Lernziele
Die Teilnehmenden...

• kennen die formalen Grundbegriffe des Quantencomputings (Quantenzustand, Bit vs. Qubit, Messung)
• kennen die formalen Grundbegriffe des Maschinellen Lernens (Zielfunktion, Modellklasse, Kreuzvalidierung, Kernfunktion)
• lernen Ideen und Bausteine von Quantenalgorithmen für QML-Probleme zu verwenden

Wissen / Verstehen
Die Teilnehmenden...

• können die Quantum Support Vector Machine Methode beschreiben und in Anwendungsfällen verwenden
• verstehen die Stärken, Schwächen und Grenzen aktueller QML Verfahren

Fähigkeiten / Fertigkeiten
Die Teilnehmenden...

• können Quantenschaltkreise lesen und selbstständig erstellen
• sind in der Lage Daten auf den Quantencomputer zu enkodieren und das Encoding anschließend zu analysieren,
• sind in der Lage hybride quanten-klassische Optimierungsalgorithmen (z.B. Variationellen Quanten Eigensolver (VQE) und Quadratic Unconstrained Binary Optimization (QUBO)) anzuwenden,
• sind in der Lage Quanten Clustering Algorithmen zu erstellen und in praktischen Beispielen zu implementieren

Zertifizierung

Die Zertifizierung (geprüft nach ISO Norm 17024 ) findet durch die Fraunhofer-Personenzertifizierungsstelle statt. Das Zertifikat bescheinigt den Absolventen relevantes innovatives Praxiswissen und nachgewiesene Kompetenz.

Zugangsvoraussetzungen für die Zertifizierung

Studium oder äquivalente Qualifikation durch Einzelnachweis.

Bitte nutzen Sie unsere FAQ für weitere organisatorische Fragen.

Schulungssprache

Englisch

Ablauf der Termine QML