یادگیری ماشین کوانتومی (QML)

پیش‌نیازهای الزامی: - آشنایی با شبکه‌های عصبی مصنوعی (ANN) و مفهوم یادگیری - آشنایی و ساماندهی دیتاست‌های مرسوم یادگیری عمیق و شبکه‌های عصبی - آشنایی با مفاهیم کوانتومی و عملکرد مدار و سخت‌افزار کوانتومی، اندازه‌گیری کوانتومی و ... - آشنایی با پایتون؛ تمامی کدها با زبان پایتون نوشته خواهد بود. پیش‌نیازهای ترجیحی: - آشنایی با اپتیمایزرهای موجود در حوزه یادگیری و شبکه‌های عصبی - آشنایی با یکی از فریمورک‌های یادگیری عمیق مانند (ترجیحاً) پای‌تورچ یا تنسورفلو و کراس - الگوریتم‌های گرادیان‌گیری مانند گرادیان نزولی (Gradient Descent) و بهینه‌سازی محدب

در پایان این دوره، انتظار می‌رود شرکت‌کنندگان بتوانند: - مفاهیم بنیادی QML را به زبان ساده تشریح کنند، از جمله انواع انکودینگ داده در معماری‌های کوانتومی و روش‌های آموزش مدل. - معماری پارامتری کوانتومی (PQC) طراحی کرده و آن‌ها را با داده‌های واقعی آموزش دهند. - یک پروژه کامل QML شامل انکودینگ داده، طراحی مدل، انتخاب بهینه‌ساز، آموزش و ارزیابی را به‌صورت عمیق اجرا نمایند. - توانایی تحقیق و ارزیابی تحقیقات روز دنیا در حوزه QML را کسب کرده و از آن‌ها در کار خود استفاده کنند.