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
