WBK Quantum Computing

Der Weiterbildungskurs (WBK) Quantum Computing bietet eine praxisorientierte Einführung in Quantenalgorithmen und deren Anwendung in der Datenwissenschaft. Teilnehmende lernen, Quantenlösungen für datengetriebene Problemstellungen zu entwickeln – von Quantengrundlagen bis zu Quantum Machine Learning. Der Kurs verbindet eine fundierte theoretische Basis mit praxisnaher Arbeit in modernen Frameworks wie Qiskit und PennyLane. Zielpublikum:

Der WBK Quantum Computing richtet sich an Fachpersonen, die:

• Quantencomputing in datenwissenschaftliche Anwendungen integrieren möchten
• Zukunftsfähigkeit in Data Science, Künstlicher Intelligenz (KI) oder technischer Forschung anstreben
• Quantenalgorithmen für Optimierungs- oder Machine-Learning-Probleme einsetzen wollen
• Grundlagen für Tätigkeiten im Quantum-Bereich erwerben möchten

Ziele:

Nach Abschluss des Kurses verfügen die Absolvent:innen über:

• ein fundiertes Verständnis der Quanteninformationstheorie
• praktische Fertigkeiten zur Implementierung von Quantenalgorithmen
• vertiefte Kenntnisse im Quantum Machine Learning (QML)
• die Fähigkeit, Potenziale des Quantencomputings für reale Datenprobleme zu bewerten

Inhalt:

Quantum Information Theory

Inhalt 

• Qubits und Quantenregister
• Superposition und Verschränkung
• Quantengatter

Lernziele 

• Grundprinzipien der Quantenmechanik verstehen
• Quantenprotokolle analysieren
• Quantenkryptographie anwenden

Quantum Algorithms and Programming

Inhalt 

• Algorithmen-Design
• Fehlerkorrektur
• Praxis mit Qiskit/PennyLane

Lernziele 

• Kernalgorithmen (z. B. Grover, Shor) implementieren
• Optimierungsprobleme mit Quantenmethoden lösen
• Quantencode in Python entwickeln

Applied Quantum Computing in Data Analysis

Inhalt 

• Optimierungsanwendungen
• Datenanalyse-Integration
• Fallstudien

Lernziele 

• Quantenlösungen für Clustering/Klassifikation entwickeln
• Quantensysteme in klassische Architekturen integrieren
• Praxisrelevanz bewerten

Quantum Machine Learning

Inhalt 

• Variationale Quantenschaltkreise
• Hybridansätze
• Anwendungsbeispiele

Lernziele 

• Hybride QML-Modelle designen
• Quanten-Kernelmethoden anwenden
• QML mit klassischem ML vergleichen