Certified Data Scientist Specialized in Quantum Machine Learning

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.

Übersicht zur Schulung »Certified Data Scientist Specialized in Quantum Machine Learning«

Veranstaltungform Online und Präsenz
Dauer 5 Units (7 Schulungstage + Prüfung)
Termine

Unit 1 Theorie (online): 05. Mai 2025 (09:00-12:30 Uhr)

Unit 1 Theorie (online): 07. Mai 2025 (09:00-12:00 Uhr)

Unit 1 Hands On (Fraunhofer ITWM Kaiserslautern): 12. Mai 2025

Unit 2 - 5 (Fraunhofer ITWM Kaiserslautern): 13. - 16. Mai 2025

Zertifizierungsprüfung (online): 28. Mai 2025

Zertifizierung Die Zertifizierung findet durch die Fraunhofer-Personenzertifizierungsstelle statt. Das Zertifikat bescheinigt den Absolventen relevantes innovatives Praxiswissen und nachgewiesene Kompetenz.

Voraussetzungen für die Zertifizierung

  • Studium oder äquivalente Qualifikation durch Einzelnachweis.
  • Bitte nutzen Sie unsere FAQ für weitere organisatorische Fragen.
  • Lernziele

    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

    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

    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

    Alle Units auf einen Blick

    Unit 1 - Part 1

    Basics of Machine Learning/Data Science

    • Data preprocessing
    • Feature spaces
    • Supervised learning, unsupervised learning
    • Exemplary problems: classification, clustering
    • Complexity
    • Evaluation

    Unit 1 - Part 2

    Quantumcomputing

    • Basic theoretical concepts
    • Different paradigms: Quantum Gate and Adiabatic
    • Quantum Fourier transform
    • Quadratic Unconstrained binary optimization (QUBO)
    • Advantages over classical

    Unit 2

    • Parametrized quantum circuits
    • Data encoding
    • Analyzing parametrized quantum circuits

    Unit 3

    • Clustering needed for quantum computing
    • Grover algorithm
    • Quantum k-Means
    • SWAP test

    Unit 4

    • 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

    Unit 5

    • Neural networks
    • Quantum neural networks (QNNs)
    • Use cases of QNNs
    • Potential quantum advantages of QNNs
    • Informationen zu den Schulungsdozent*innen finden Sie hier

    Kontakt

    Contact Press / Media

    Anne Halbich

    Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS
    Kaiserin-Augusta-Allee 31
    10589 Berlin

    Telefon +493034637346

    Melden Sie sich zu unserem Newsletter an!

    Erhalten Sie regelmäßig Neuigkeiten und exklusive Inhalte direkt in Ihr Postfach.
    Bitte füllen Sie das Pflichtfeld aus.

    Bitte füllen Sie das Pflichtfeld aus.