L'obiettivo di questo corso è di mostrare i vantaggi che le tecnologie quantistiche correntemente disponibile e future possono fornire al machine learning, concentrandosi sullo studio di algoritmi che sono difficili per i computer classici.
In particolare, agli studenti verranno fornite le opportune nozioni e la conoscenza necessaria per poter individuare i paradigmi di computazione quantistica più adatti al machine learning; per identificare i problemi di machine learning che potrebbero beneficiare dall'uso di risorse quantistiche; per implementare algoritmi di apprendimento su computer quantistici utilizzando le piattaforme pubbliche disponibili.
1 Introduction & Motivation
2 Quantum Computing
3 Machine Learning (ML)
4 Quantum Machine Learning: Main Approaches
5 ML with a Quantum Annealer
6 Classical-Data-Quantum-Processing Approaches
7 Quantum Neural Network
8 Quantum Programming Languages and Quantum Software Toolchain
| Autore | Titolo | Casa editrice | Anno | ISBN | Note |
| Phillip Kaye, Raymond Laflamme, Michele Mosca | An Introduction to Quantum Computing (Edizione 1) | Oxford University Press | 2006 | ||
| Eric R. Johnston | Programming quantum computers : essential algorithms and code samples (Edizione 1) | O'Reilly | 2019 | 1-4920-3967-5 | |
| Michael A. Nielsen, Isaac L. Chuang | Quantum Computation and Quantum Information (Edizione 2) | Cambridge University Press | 2010 | 978-1-107-00217-3 | |
| Jack D. Hidary | Quantum Computing: An Applied Approach (Edizione 1) | Springer | 2019 | 978-3-030-23922-0 | |
| Peter Wittek | Quantum Machine Learning: What Quantum Computing Means to Data Mining (Edizione 1) | Academic Press | 2014 | 9780128009536 | |
| Maria Schuld, Francesco Petruccione | Supervised Learning with Quantum Computers (Edizione 1) | Springer, Cham | 2018 | 978-3-319-96423-2 |
Seminario su un argomento scelto dallo studente su tra i vari approcci al quantum machine learning
