| bg | layout | permalink | title | summary | active |
|---|---|---|---|---|---|
trainings.jpg |
default |
/trainings/ |
Tematy szkoleń |
Lista szkoleń |
false |
- Elementy rachunku prawdopodobieństwa i statystyki matematycznej.
- Testowanie statystyczne – wprowadzenie i omówienie przykładów (w tym m.in. testu Shapiro-Wilka, testu t dla par, testu Wilcoxona).
- Metoda stochastycznego spadku wzdłuż gradientu.
- Elementy algebry liniowej (macierze i działania na macierzach, wektory i wartości własne macierzy, przestrzeń wektorowa, iloczyn skalarny).
- Notacja Diraca.
- Bit kwantowy (kubit) – definicja matematyczna i interpretacja graficzna.
- Elementy rachunku prawdopodobieństwa.
- Elementy statystyki matematycznej, w tym testowanie hipotez statystycznych.
- Metoda stochastycznego spadku wzdłuż gradientu.
- Elementy algebry liniowej.
- Notacja Diraca i pojęcie bitu kwantowego (kubitu).
- Metody jądrowe i „kernel trick”.
- Zagadnienia wstępne, fizyka mikroświata, efekty kwantowe.
- Wprowadzenie do podstaw fizyki kwantowej, omówienie zjawisk na poziomie mikroskopowym.
- Ewolucja układu w czasie. Równanie Schrödingera.
- Stany kwantowe i superpozycja stanów – definicje i przykłady.
- Pomiar kwantowy – czym jest i jakie są jego efekty?
- Wyjaśnienie procesu pomiaru w mechanice kwantowej i jego wpływu na stan układu.
- Hamiltonian, ewolucja unitarna: Analiza roli Hamiltonianu w opisie ewolucji kwantowej i pojęcia ewolucji unitarnej.
- Bramki kwantowe: Przedstawienie podstawowych operacji na qubitach za pomocą bramek kwantowych.
- Układy złożone, iloczyn tensorowy, stany produktowe, stany splątane, stany Bella.
- Informacja klasyczna vs informacja kwantowa. Częściowa konwersja obu form informacji w siebie.
- No cloning theorem: Omówienie fundamentalnego twierdzenia o niemożności skopiowania stanu kwantowego.
- Kwantowe gęste kodowanie. Kwantowa teleportacja.
- Kwantowa kryptografia: Wprowadzenie do zastosowań kryptografii kwantowej, które oferują nowy poziom bezpieczeństwa komunikacji.
- Analiza i przygotowanie zbiorów danych: podstawowe narzędzia data mining (statystyki opisowe, algorytmy grupowania, algorytmy rzutowania), zasady ich użycia, ćwiczenia praktyczne z przygotowywania zbiorów dla klasyfikacji i regresji
- Budowa eksperymentu klasyfikacji: miary wydajności, podział zbiorów (walidacja krzyżowa, optymalizacja hiperparametrów, przetrenowanie, przekleństwo wymiarowości), porównanie klasyfikatorów testami statystycznymi, wybór metod przetwarzania wstępnego
- Najważniejsze klasyfikatory. Konfigurowanie i wykorzystanie SVM. Konfiguracja i trenowanie sieci MLP (krzywa loss, optymalizacja, funkcje aktywacji, hiperparametry)
- Diagnostyka procesu treningu sieci neuronowej, weryfikacja skuteczności, ataki na sieć, wyjaśnianie działania sieci
- Zaawansowane architektury sieci neuronowych, głębokie hierarchie cech, implementacja treningu (w tym transfer learning)
- Bramkowe komputery kwantowe: Szczegółowy opis budowy i zasad działania komputerów kwantowych opartych na bramkach.
- Kubity i stany kubitu: Omówienie podstawowych jednostek informacji kwantowej, ich reprezentacji i właściwości na architekturach IBMQ.
- Splątanie kwantowe: Wyjaśnienie fenomenu splątania oraz jego znaczenia w obliczeniach kwantowych na architekturach IBMQ.
- Bramkowy model obliczeń: Przedstawienie zasad działania komputerów kwantowych opartych na bramkach w odniesieniu do architektur IBMQ.
- Obwody kwantowe: Budowa i analiza podstawowych obwodów kwantowych.
- Perceptron: Przypomnienie klasycznego perceptronu oraz zasad jego działania i uczenia.
- Python: Krótkie przypomnienie podstawowej składni języka Python, niezbędnej do implementacji obwodów kwantowych.
- Ograniczenia komputerów kwantowych: Omówienie problemów i ograniczeń związanych z obecnym stanem technologii kwantowej.
- Źródła błędów w komputerach bramkowych: Analiza typowych źródeł błędów w obliczeniach kwantowych i ich wpływu na wyniki.
- Kwantowy model perceptronu: Budowa, elementy składowe oraz przykładowe obwody kwantowego perceptronu.
- Uzyskanie dostępu do IBMQ: Proces rejestracji i uzyskania dostępu do platformy IBMQ.
- Podstawy biblioteki qiskit: Wprowadzenie do biblioteki Qiskit, narzędzia do programowania komputerów kwantowych.
- Podstawowe operacje w portalu IBMQ: Nauka monitorowania i zarządzania obliczeniami kwantowymi za pomocą portalu IBMQ.
- Symulatory architektur komputerów bramkowych: Implementacja pierwszego programu na symulatorze kwantowym.
- Symulatory lokalne vs chmurowe: Porównanie lokalnych i chmurowych symulatorów kwantowych.
- Implementacja programu uruchamianego na komputerze bramkowym: Praktyczna realizacja przygotowania stanu splątanego.
- Implementacja składowych perceptronu: Tworzenie i testowanie podstawowych elementów kwantowego perceptronu.
- Obserwacje działania modelu dla losowo dobranych wag: Analiza wyników działania perceptronu z losowo wybranymi wagami.
- Implementacja algorytmu uczenia kwantowego perceptronu: Kodowanie i testowanie algorytmu uczącego perceptronu.
- Uczenie kwantowego modelu perceptronu, weryfikacja wyników: Proces uczenia modelu perceptronu i ocena jego skuteczności.
- Model bramkowy vs wyżarzanie kwantowe: Porównanie dwóch podejść do obliczeń kwantowych: modelu bramkowego i wyżarzania kwantowego.
- Algorytm QAOA: Przegląd algorytmu Quantum Approximate Optimization Algorithm (QAOA) i jego zastosowań.
- Model bramkowy vs wyżarzanie kwantowe.
- Algortym QAOA.
- Kwantowe bramki parametryzowalne.
- Kwantowe obwody parametryzowalne.
- Kwantowe algorytmy wariacyjne.
- Różniczkowanie funkcji opartych o obwody parametryzowalne.
- Kwantowa metoda przesuwania parametrów.
- Optymalizacja parametrów obwodów kwantowych.
- Kwantowe sieci neuronowe.
- Ładowanie danych do sieci.
- Architektury sieci kwantowych.
- Kwantowe metody jądrowe.
- Klasyfikacja za pomocą kwantowych sieci neuronowych i kwantowych metod jądrowych.
- Biblioteka Pennylane.
- Implementacja prostego klasyfikatora jedno-kubitowego.
- Implementacja klasyfikatora z ponownym ładowaniem danych.
- Implementacja klasyfikatora wykorzystującego splątanie.
- Dobór architektury sieci.
- Implementacja klasyfikatora SVM wykorzystującego kwantową metodę jądrową
- Klasyczny model Isinga: kodowanie / zmienne, znaczenie, stany nisko-energetyczne.
- Interpretacja fizyczna modelu Isinga: znaczenie oddziaływań i pól magnetycznych.
- Model QUBO: znaczenie, przykłady, równoważność z modelem Isinga.
- Kodowanie dyskretnych problemów optymalizacyjnych za pomocą QUBO / Isinga.
- Algorytm wyczerpującego przeszukiwania (Brute-Force): certyfikacja, ograniczenia.
- Analiza złożoności problemu poszukiwania stanu podstawowego: trudności i wyzwania.
- Podejście heurystycznie: przegląd klasycznych algorytmów inspirowanych fizycznie.
- Kwantowanie modelu Isinga: kwantowy model Isinga z poprzecznym polem.
- Związek pomiędzy klasycznym a kwantowym modelem Isinga: problem własny a sortowanie.
- Twierdzenie adiabatyczne w mechanice kwantowej oraz kwantowe wyżarzanie.
- Kwantowy procesor wyżarzający D-Wave: opis, dostępne topologie, osadzanie problemów.
- Rozwiązywanie modelu Isinga z wykorzystaniem kwantowego wyżarzania.
- Praktyczne wykorzystanie biblioteki D-Wave Ocean.
- Implementacja algorytmu wyczerpującego przeszukiwania.
- Implementacja algorytmu typu „Branch & Bound”.
- Implementacja algorytmu symulowanej bifurkacji.
- Implementacja algorytmu symulowanego wyżarzania.
- Implementacja algorytmu równoległego wyżarzania.
- Wykorzystanie procesorów graficznych (GPU) w algorytmach heurystycznych.
- Analiza porównawcza algorytmów dla wybranych instancji problemów Isinga.
- Sieci tensorowe: rodzaje, konstrukcja, zwężanie.
- Siec tensorowa typu MPS (1D) oraz PEPS (2D).
- Emulacja procesorów wyżarzających za pomocą sieci tensorowych.
- Różnorodność stanów nisko-energetycznych, droplety oraz ich znaczenie.