Drukuj sylabusWstęp do kwantowego uczenia maszynowego
Informacje ogólne
| Kod przedmiotu: | 232530-D |
| Kod Erasmus / ISCED: |
11.4
|
| Nazwa przedmiotu: | Wstęp do kwantowego uczenia maszynowego |
| Jednostka: | Szkoła Główna Handlowa w Warszawie |
| Grupy: |
Przedmioty kierunkowe do wyboru SMMD-ADA |
| Punkty ECTS i inne: |
3.00 (zmienne w czasie)
|
| Język prowadzenia: | polski |
| Efekty uczenia się: |
Wiedza: Zna i rozumie koncepcje działania komputera klasycznego i kwantowego Zna metody kwantowego uczenia maszynowego możliwe do wykorzystania w biznesie Rozumie potrzebę i możliwości zastosowania komputerów kwantowych Umiejętności: Potrafi stworzyć proste algorytmy z wykorzystaniem kwantowych bramek logicznych Umie wykorzystać biblioteki pythonowe do generowania kodów obliczeń kwantowych potrafi wykorzystać metody nadzorowane wykorzystywane w kwantowym uczeniu maszynowym potrafi wykorzystać metody nienadzorowane wykorzystywane w kwantowym uczeniu maszynowym umie stworzyć prostą kwantową sieć neuronową Kompetencje społeczne: formułuje problem biznesowy wraz z jego informatycznym rozwiązaniem uzupełniania wiedzę teoretyczną jak i praktyczną, w zakresie teorii, programowania, modelowania, nowych technologii informatycznych z wykorzystaniem kwantowego uczenia maszynowego |
Zajęcia w cyklu "Preferencje - Semestr letni 2024/25" (jeszcze nie rozpoczęty)
| Okres: | 2025-02-15 - 2025-09-30 |
 
PN WT ŚR CZ PT |
| Typ zajęć: |
Zajęcia prowadzącego
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Sebastian Zając | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Zajęcia prowadzącego - Ocena |
Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)
| Okres: | 2025-02-15 - 2025-09-30 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 10 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
1. Historia klasycznego i kwantowego komputera i jego zastosowania. Efekty kwantowe wykorzystywane do przyśpieszenia obliczeń. 2. Klasyczne bramki logiczne - algebra Boola, szyfrowanie 3. Przestrzenie wektorowe, stany kwantowe, reprezentacja klasycznych i kwantowych bitów 4. Kwantowe bramki logiczne w prostych algorytmach i obwodach kwantowych 5. Kwantowy Machine Learning w biznesie - metody i implementacje 6. Przygotowanie środowiska programistycznego python z wykorzystaniem narzędzia Docker 7. Kwantowe bity z wykorzystaniem biblioteki IBM qiskit i pennylane 8. Jedno - kubitowe bramki logiczne 9. Wielokubitowe bramki logiczne 10. Algorytm faktoryzacji Shora, przeszukiwanie wg algorytmu Grovera. 11. Klasyczny i kwantowy perceptron - realizacja w bibliotece qiskit 12. Variational quantum calssifiers - klasyfikacja danych Iris 13. Klasyfikacja danych MNIST z wykorzystaniem biblioteki PyTorch Quantum 14. Algorytm qPCA z wykorzystaniem do |
|
| Pełny opis: |
Jeszcze do niedawna rozwój technologiczny oparty był na zmniejszaniu rozmiaru tranzystorów i zwiększaniu mocy obliczeniowej procesorów. Ze względu na fizyczne aspekty natury proces ten, od pewnego momentu, musi uwzględniać ograniczenia fizyki kwantowej. Przyszłość może jednak wykorzystać inne narzędzia, których możliwości wykraczają poza klasyczne moce obliczeniowe. Mimo, iż konstrukcja komputerów kwantowych to wciąż etap inżynierski, to okazuje się, że można już wskazać i wykorzystać je do tworzenia algorytmów, które można wykorzystać w dziedzinie uczenia maszynowego. Wykorzystanie algorytmów kwantowych pozwala zmniejszyć czas przetwarzania dużej ilości danych, a tym samym rozszerza możliwości przetwarzania i modelowania danych. Przedstawione na zajęciach biblioteki - IBM qiskit czy Pennylane (python) pozwalają na prostą i szybką konstrukcje dowolnego algorytmu kwantowego. Algorytmy te, jak np. algorytm Grovera wykorzystać można do wielu problemów obliczeniowych uczenia maszynowego bądź do konstrukcji kwantowych sieci neuronowych. |
|
| Literatura: |
Literatura podstawowa: 1. M. Schuld, F. Petruccione - Supervised Learning with Quantum Computers, Quantum Science and Technology. Springer 2018 https://doi.org/10.1007/978-3-319-96424-9 2. C. Bernhardt - Obliczenia kwantowe dla każdego, Wydawnictwo Naukowe PWN 2020 3. E. R. Johnston, N. Harrigan, M.Gimeno-Segovia - Komputer kwantowy.Programowanie, algorytmy, kod. Helion 2020 4. S. Zajac - Modelowanie dla Biznesu. Analiza danych w czasie rzeczywistym. Oficyna Wydawnicza SGH. 2021 5. A. K. Bishwas, A. Nani, V. Palade "Quantum Supervised Clustering Algorithm for Big Data" 2018- 3rd International Conference for Convergence in Technology. 6. C. Ciliberto er al. "Statistical limits of supervised quantum learning" Physical Review A 102. 4. 2020 7. N WIebe, A. Kapoor, K M. Svore "Quantum perceptron models" NIPS'16 Procedings of the 30th Internationa Conference on Neural information processing Systems. Vol. 29. 2016 Literatura uzupełniająca: 1. Michael A. Nielsen & Isaac L. Chuang - Quantum Computation and Quantum Information, Cambridge University Press, 2010 2. K. Przanowski, S. Zając - Modelowanie dla Biznesu. Metody Machine learning, Modele portfela consumer finance, modelek rekurencyjne analizy przeżycia, modele scoringowe. Oficyna Wydawnicza SGH. 2020 3. E. Frątczak - Modelowanie dla Biznesu. Regresja Logistyczna, Regresja Poissona, Survival Data Mining, CRM, Credit Scoring. Oficyna Wydawnicza SGH. 2019 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 40.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 40.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
|
Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)
| Okres: | 2024-10-01 - 2025-02-14 |
PN LAB
WYK
WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 10 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Sebastian Zając | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
1. Historia klasycznego i kwantowego komputera i jego zastosowania. Efekty kwantowe wykorzystywane do przyśpieszenia obliczeń. 2. Klasyczne bramki logiczne - algebra Boola, szyfrowanie 3. Przestrzenie wektorowe, stany kwantowe, reprezentacja klasycznych i kwantowych bitów 4. Kwantowe bramki logiczne w prostych algorytmach i obwodach kwantowych 5. Kwantowy Machine Learning w biznesie - metody i implementacje 6. Przygotowanie środowiska programistycznego python z wykorzystaniem narzędzia Docker 7. Kwantowe bity z wykorzystaniem biblioteki IBM qiskit i pennylane 8. Jedno - kubitowe bramki logiczne 9. Wielokubitowe bramki logiczne 10. Algorytm faktoryzacji Shora, przeszukiwanie wg algorytmu Grovera. 11. Klasyczny i kwantowy perceptron - realizacja w bibliotece qiskit 12. Variational quantum calssifiers - klasyfikacja danych Iris 13. Klasyfikacja danych MNIST z wykorzystaniem biblioteki PyTorch Quantum 14. Algorytm qPCA z wykorzystaniem do |
|
| Pełny opis: |
Jeszcze do niedawna rozwój technologiczny oparty był na zmniejszaniu rozmiaru tranzystorów i zwiększaniu mocy obliczeniowej procesorów. Ze względu na fizyczne aspekty natury proces ten, od pewnego momentu, musi uwzględniać ograniczenia fizyki kwantowej. Przyszłość może jednak wykorzystać inne narzędzia, których możliwości wykraczają poza klasyczne moce obliczeniowe. Mimo, iż konstrukcja komputerów kwantowych to wciąż etap inżynierski, to okazuje się, że można już wskazać i wykorzystać je do tworzenia algorytmów, które można wykorzystać w dziedzinie uczenia maszynowego. Wykorzystanie algorytmów kwantowych pozwala zmniejszyć czas przetwarzania dużej ilości danych, a tym samym rozszerza możliwości przetwarzania i modelowania danych. Przedstawione na zajęciach biblioteki - IBM qiskit czy Pennylane (python) pozwalają na prostą i szybką konstrukcje dowolnego algorytmu kwantowego. Algorytmy te, jak np. algorytm Grovera wykorzystać można do wielu problemów obliczeniowych uczenia maszynowego bądź do konstrukcji kwantowych sieci neuronowych. |
|
| Literatura: |
Literatura podstawowa: 1. M. Schuld, F. Petruccione - Supervised Learning with Quantum Computers, Quantum Science and Technology. Springer 2018 https://doi.org/10.1007/978-3-319-96424-9 2. C. Bernhardt - Obliczenia kwantowe dla każdego, Wydawnictwo Naukowe PWN 2020 3. E. R. Johnston, N. Harrigan, M.Gimeno-Segovia - Komputer kwantowy.Programowanie, algorytmy, kod. Helion 2020 4. S. Zajac - Modelowanie dla Biznesu. Analiza danych w czasie rzeczywistym. Oficyna Wydawnicza SGH. 2021 5. A. K. Bishwas, A. Nani, V. Palade "Quantum Supervised Clustering Algorithm for Big Data" 2018- 3rd International Conference for Convergence in Technology. 6. C. Ciliberto er al. "Statistical limits of supervised quantum learning" Physical Review A 102. 4. 2020 7. N WIebe, A. Kapoor, K M. Svore "Quantum perceptron models" NIPS'16 Procedings of the 30th Internationa Conference on Neural information processing Systems. Vol. 29. 2016 Literatura uzupełniająca: 1. Michael A. Nielsen & Isaac L. Chuang - Quantum Computation and Quantum Information, Cambridge University Press, 2010 2. K. Przanowski, S. Zając - Modelowanie dla Biznesu. Metody Machine learning, Modele portfela consumer finance, modelek rekurencyjne analizy przeżycia, modele scoringowe. Oficyna Wydawnicza SGH. 2020 3. E. Frątczak - Modelowanie dla Biznesu. Regresja Logistyczna, Regresja Poissona, Survival Data Mining, CRM, Credit Scoring. Oficyna Wydawnicza SGH. 2019 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 40.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 40.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
|
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
| Okres: | 2024-02-24 - 2024-09-30 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 10 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
1. Historia klasycznego i kwantowego komputera i jego zastosowania. Efekty kwantowe wykorzystywane do przyśpieszenia obliczeń. 2. Klasyczne bramki logiczne - algebra Boola, szyfrowanie 3. Przestrzenie wektorowe, stany kwantowe, reprezentacja klasycznych i kwantowych bitów 4. Kwantowe bramki logiczne w prostych algorytmach i obwodach kwantowych 5. Kwantowy Machine Learning w biznesie - metody i implementacje 6. Przygotowanie środowiska programistycznego python z wykorzystaniem narzędzia Docker 7. Kwantowe bity z wykorzystaniem biblioteki IBM qiskit i pennylane 8. Jedno - kubitowe bramki logiczne 9. Wielokubitowe bramki logiczne 10. Algorytm faktoryzacji Shora, przeszukiwanie wg algorytmu Grovera. 11. Klasyczny i kwantowy perceptron - realizacja w bibliotece qiskit 12. Variational quantum calssifiers - klasyfikacja danych Iris 13. Klasyfikacja danych MNIST z wykorzystaniem biblioteki PyTorch Quantum 14. Algorytm qPCA z wykorzystaniem do |
|
| Pełny opis: |
Jeszcze do niedawna rozwój technologiczny oparty był na zmniejszaniu rozmiaru tranzystorów i zwiększaniu mocy obliczeniowej procesorów. Ze względu na fizyczne aspekty natury proces ten, od pewnego momentu, musi uwzględniać ograniczenia fizyki kwantowej. Przyszłość może jednak wykorzystać inne narzędzia, których możliwości wykraczają poza klasyczne moce obliczeniowe. Mimo, iż konstrukcja komputerów kwantowych to wciąż etap inżynierski, to okazuje się, że można już wskazać i wykorzystać je do tworzenia algorytmów, które można wykorzystać w dziedzinie uczenia maszynowego. Wykorzystanie algorytmów kwantowych pozwala zmniejszyć czas przetwarzania dużej ilości danych, a tym samym rozszerza możliwości przetwarzania i modelowania danych. Przedstawione na zajęciach biblioteki - IBM qiskit czy Pennylane (python) pozwalają na prostą i szybką konstrukcje dowolnego algorytmu kwantowego. Algorytmy te, jak np. algorytm Grovera wykorzystać można do wielu problemów obliczeniowych uczenia maszynowego bądź do konstrukcji kwantowych sieci neuronowych. |
|
| Literatura: |
Literatura podstawowa: 1. M. Schuld, F. Petruccione - Supervised Learning with Quantum Computers, Quantum Science and Technology. Springer 2018 https://doi.org/10.1007/978-3-319-96424-9 2. C. Bernhardt - Obliczenia kwantowe dla każdego, Wydawnictwo Naukowe PWN 2020 3. E. R. Johnston, N. Harrigan, M.Gimeno-Segovia - Komputer kwantowy.Programowanie, algorytmy, kod. Helion 2020 4. S. Zajac - Modelowanie dla Biznesu. Analiza danych w czasie rzeczywistym. Oficyna Wydawnicza SGH. 2021 5. A. K. Bishwas, A. Nani, V. Palade "Quantum Supervised Clustering Algorithm for Big Data" 2018- 3rd International Conference for Convergence in Technology. 6. C. Ciliberto er al. "Statistical limits of supervised quantum learning" Physical Review A 102. 4. 2020 7. N WIebe, A. Kapoor, K M. Svore "Quantum perceptron models" NIPS'16 Procedings of the 30th Internationa Conference on Neural information processing Systems. Vol. 29. 2016 Literatura uzupełniająca: 1. Michael A. Nielsen & Isaac L. Chuang - Quantum Computation and Quantum Information, Cambridge University Press, 2010 2. K. Przanowski, S. Zając - Modelowanie dla Biznesu. Metody Machine learning, Modele portfela consumer finance, modelek rekurencyjne analizy przeżycia, modele scoringowe. Oficyna Wydawnicza SGH. 2020 3. E. Frątczak - Modelowanie dla Biznesu. Regresja Logistyczna, Regresja Poissona, Survival Data Mining, CRM, Credit Scoring. Oficyna Wydawnicza SGH. 2019 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 40.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 40.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
|
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
| Okres: | 2023-10-01 - 2024-02-23 |
PN LAB
WYK
WT ŚR CZ PT |
| Typ zajęć: |
Laboratorium, 20 godzin
Wykład, 10 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Sebastian Zając | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
1. Historia klasycznego i kwantowego komputera i jego zastosowania. Efekty kwantowe wykorzystywane do przyśpieszenia obliczeń. 2. Klasyczne bramki logiczne - algebra Boola, szyfrowanie 3. Przestrzenie wektorowe, stany kwantowe, reprezentacja klasycznych i kwantowych bitów 4. Kwantowe bramki logiczne w prostych algorytmach i obwodach kwantowych 5. Kwantowy Machine Learning w biznesie - metody i implementacje 6. Przygotowanie środowiska programistycznego python z wykorzystaniem narzędzia Docker 7. Kwantowe bity z wykorzystaniem biblioteki IBM qiskit i pennylane 8. Jedno - kubitowe bramki logiczne 9. Wielokubitowe bramki logiczne 10. Algorytm faktoryzacji Shora, przeszukiwanie wg algorytmu Grovera. 11. Klasyczny i kwantowy perceptron - realizacja w bibliotece qiskit 12. Variational quantum calssifiers - klasyfikacja danych Iris 13. Klasyfikacja danych MNIST z wykorzystaniem biblioteki PyTorch Quantum 14. Algorytm qPCA z wykorzystaniem do |
|
| Pełny opis: |
Jeszcze do niedawna rozwój technologiczny oparty był na zmniejszaniu rozmiaru tranzystorów i zwiększaniu mocy obliczeniowej procesorów. Ze względu na fizyczne aspekty natury proces ten, od pewnego momentu, musi uwzględniać ograniczenia fizyki kwantowej. Przyszłość może jednak wykorzystać inne narzędzia, których możliwości wykraczają poza klasyczne moce obliczeniowe. Mimo, iż konstrukcja komputerów kwantowych to wciąż etap inżynierski, to okazuje się, że można już wskazać i wykorzystać je do tworzenia algorytmów, które można wykorzystać w dziedzinie uczenia maszynowego. Wykorzystanie algorytmów kwantowych pozwala zmniejszyć czas przetwarzania dużej ilości danych, a tym samym rozszerza możliwości przetwarzania i modelowania danych. Przedstawione na zajęciach biblioteki - IBM qiskit czy Pennylane (python) pozwalają na prostą i szybką konstrukcje dowolnego algorytmu kwantowego. Algorytmy te, jak np. algorytm Grovera wykorzystać można do wielu problemów obliczeniowych uczenia maszynowego bądź do konstrukcji kwantowych sieci neuronowych. |
|
| Literatura: |
Literatura podstawowa: 1. M. Schuld, F. Petruccione - Supervised Learning with Quantum Computers, Quantum Science and Technology. Springer 2018 https://doi.org/10.1007/978-3-319-96424-9 2. C. Bernhardt - Obliczenia kwantowe dla każdego, Wydawnictwo Naukowe PWN 2020 3. E. R. Johnston, N. Harrigan, M.Gimeno-Segovia - Komputer kwantowy.Programowanie, algorytmy, kod. Helion 2020 4. S. Zajac - Modelowanie dla Biznesu. Analiza danych w czasie rzeczywistym. Oficyna Wydawnicza SGH. 2021 5. A. K. Bishwas, A. Nani, V. Palade "Quantum Supervised Clustering Algorithm for Big Data" 2018- 3rd International Conference for Convergence in Technology. 6. C. Ciliberto er al. "Statistical limits of supervised quantum learning" Physical Review A 102. 4. 2020 7. N WIebe, A. Kapoor, K M. Svore "Quantum perceptron models" NIPS'16 Procedings of the 30th Internationa Conference on Neural information processing Systems. Vol. 29. 2016 Literatura uzupełniająca: 1. Michael A. Nielsen & Isaac L. Chuang - Quantum Computation and Quantum Information, Cambridge University Press, 2010 2. K. Przanowski, S. Zając - Modelowanie dla Biznesu. Metody Machine learning, Modele portfela consumer finance, modelek rekurencyjne analizy przeżycia, modele scoringowe. Oficyna Wydawnicza SGH. 2020 3. E. Frątczak - Modelowanie dla Biznesu. Regresja Logistyczna, Regresja Poissona, Survival Data Mining, CRM, Credit Scoring. Oficyna Wydawnicza SGH. 2019 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 0.00% egzamin testowy: 40.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 40.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
|
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
