Comparative study of classical and quantum engineering learning algorithms. = Συγκριτική μελέτη κλασικών και κβαντικών αλγορίθμων μηχανικής μάθησης.

Περίληψη

Machine learning is considered as the top trend in 21st century. Everyone interacts with it, everyone talks about it. In the end of the day, nobody knows exactly what it is and what exactly does. And above that, the last few years a new meaning introduced to us, quantum computing. Alongside machine learning, quantum computing brought quantum machine learning that will breakthrough at science and eventually our lives. This thesis will present some basic principles of the two types of machine learning, will analyze some basic algorithms of both of them, reproduce them in Python and compare them. The whole thesis alongside the code and the results are uploaded public on GitHub at https://github.com/gkbalas/machine_learning_thesis.

Η μηχανική μάθηση θεωρείται ως η κορυφαία τάση στον 21ο αιώνα. Όλοι αλληλεπιδρούν με αυτήν, όλοι μιλούν γι’ αυτήν. Στο τέλος της ημέρας, κανείς δεν γνωρίζει τι ακριβώς είναι και τι ακριβώς κάνει. Και πάνω από όλα αυτά, τα τελευταία χρόνια μια νέα έννοια μας παρουσιάζεται, η κβαντική υπολογιστική. Παράλληλα με την μηχανική μάθηση, ο κβαντικός υπολογισμός έφερε την κβαντική μηχανική μάθηση που επιφέρει σημαντική ανακάλυψη στην επιστήμη και τελικά στη ζωή μας. Αυτή η εργασία θα παρουσιάσει μερικές βασικές αρχές των δυο τύπωςν μηχανικής μάθησης, θα αναλύση κάποιους βασικούς αλγορίθμους και των δυο, θα τις αναπαράγει στην Python και θα τις συγκρίνει. Η εργασία μαζί με τον κώδικα και τα αποτελέσματα δημοσιεύονται στο GitHub στη σελίδα https://github.com/gkbalas/machine_learning_thesis.