Strojové učení pomocí knihoven Qiskit a squlearn
Název práce: | Machine learning using libraries Qiskit and squlearn |
---|---|
Autor(ka) práce: | Nechiporuk, Andrei |
Typ práce: | Bachelor thesis |
Vedoucí práce: | Kliegr, Tomáš |
Oponenti práce: | Berka, Petr |
Jazyk práce: | English |
Abstrakt: | The bachelor thesis deals with the use and comparison of quantum and classical machine learning techniques, specifically focusing on classification tasks for the diagnosis of Parkinson’s disease. Using current frameworks such as qiskit and squlearn for quantum machine learning and scikit-learn for classical approaches. The study assesses how these technologies handle and analyze datasets. The aim is to perform a detailed review and comparison of quantum algorithms versus classical methods, focusing on their performance in classification tasks, specifically with respect to evaluation metrics such as precision, recall and F1-score. The work is structured in different stages, starting with a theoretical introduction to quantum machine learning, followed by data preprocessing and feature selection using mutual information, and the implementation and evaluation of both the support vector machine classifier and its quantum equivalent, the QSVC algorithm. These models are tested on two datasets and the results are compared with previous research. The paper concludes with a discussion of the comparative results, a control test using the Oxford Parkinson’s disease detection dataset, and an examination of the important attributes and their effect on the predictive performance of the models. |
Klíčová slova: | quantum machine learning; classical machine learning; Parkinson’s disease; qiskit; squlearn; scikit-learn |
Název práce: | Strojové učení pomocí knihoven Qiskit a squlearn |
---|---|
Autor(ka) práce: | Nechiporuk, Andrei |
Typ práce: | Bakalářská práce |
Vedoucí práce: | Kliegr, Tomáš |
Oponenti práce: | Berka, Petr |
Jazyk práce: | English |
Abstrakt: | Bakalářská práce se zabývá využitím a porovnáním kvantových a klasických technik strojo- vého učení, konkrétně se zaměřuje na klasifikační úlohy pro diagnostiku Parkinsonovy choroby s využitím současných frameworků, jako jsou qiskit a squlearn pro kvantové strojové učení a scikit-learn pro klasické přístupy. Studie posuzuje, jak tyto technologie zvládají a analyzují datové soubory. Cílem je provést podrobný přehled a srovnání kvantových algoritmů oproti klasickým metodám se zaměřením na jejich výkonnost v klasifikačních úlohách, konkrétně s ohledem na evaluační metriky jako jsou přesnost, úplnost a F1-skóre. Práce je strukturována do různých etap, počínaje teoretickým úvodem do kvantového strojového učení, následova- ným předzpracováním dat a výběrem příznaků pomocí vzájemné informace a implementací a hodnocením jak u klasifikátoru s podpůrnými vektory, tak jeho kvantového ekvivalentu, QSVC algoritmu. Tyto modely jsou testovány na dvou datových sadách a jejich výsledky jsou porovnávány s předchozími výzkumy. Práci uzavírá diskuse o srovnávacích výsledcích, kontrolní test s využitím datové sady "Oxford Parkinson’s disease detection dataset"a zkou- mání důležitých atributů a jejich vlivu na prediktivní výkonnost modelů. |
Klíčová slova: | klasické strojové učení; Parkinsonova nemoc; kvantové strojové učení; qiskit; squlearn; scikit-learn |
Informace o studiu
Studijní program / obor: | Aplikovaná informatika |
---|---|
Typ studijního programu: | Bakalářský studijní program |
Přidělovaná hodnost: | Bc. |
Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
Fakulta: | Fakulta informatiky a statistiky |
Katedra: | Katedra informačního a znalostního inženýrství |
Informace o odevzdání a obhajobě
Datum zadání práce: | 5. 6. 2023 |
---|---|
Datum podání práce: | 6. 5. 2024 |
Datum obhajoby: | 10. 6. 2024 |
Identifikátor v systému InSIS: | https://insis.vse.cz/zp/84704/podrobnosti |