Datos Identificativos 2023/24
Asignatura (*) Computación Cuántica y Aprendizaje Máquina Código 614551008
Titulación
Máster Universitario en Ciencia e Tecnoloxías de Información Cuántica
Descriptores Ciclo Periodo Curso Tipo Créditos
Máster Oficial 1º cuatrimestre
Primero Optativa 3
Idioma
Castellano
Modalidad docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Enxeñaría de Computadores
Coordinador/a
Mosqueira Rey, Eduardo
Correo electrónico
eduardo.mosqueira@udc.es
Profesorado
Alvarez Estevez, Diego
Mosqueira Rey, Eduardo
Correo electrónico
diego.alvareze@udc.es
eduardo.mosqueira@udc.es
Web http://https://guiadocente.udc.es/guia_docent/index.php?centre=614&ensenyament=614551&assignatura=614551008&any_academic=20
Descripción general Aprendizaxe Máquina e Computación Cuántica son materias relevantes e de crecente interese en investigación e desenvolvemento tecnolóxico na actualidade. Este tema ilustra como o Aprendizaxe Máquina pode ser optimizado utilizando técnicas de Computación Cuántica. Inclúese unha revisión exhaustiva de ambas as materias, para logo buscar sinerxias entre elas e atopar dominios de aplicación e procedementos que melloren o comportamento dos algoritmos actuais de Aprendizaxe Máquina e Computación Cuántica. Posteriormente, implementaranse e probaránse as aplicacións deseñadas, avaliando os seus resultados e contrastándoos cos métodos clásicos equivalentes, para comprobar o seu correcto funcionamento.

Competencias del título
Código Competencias del título
A4 CON_04: Tener conocimientos de computación cuántica, algoritmia, circuitos, su programación en diferentes lenguajes y plataformas accesibles.
A15 CON_15: Tener conocimientos sobre aspectos de alto nivel en computación cuántica: aprendizaje máquina cuántica, simuladores cuánticos, arquitecturas, etc.
B1 HD01 Analizar y descomponer un concepto complejo, examinar cada parte y observar cómo encajan entre sí
B3 HD03 Comparar y contrastar y señalar las similitudes y diferencias entre dos o más temas o conceptos
B6 HD11 Elaborar de forma precisa las preguntas relevantes a un problema concreto.
B8 HD13 Improvisar soluciones de una manera novedosa para resolver un problema.
B12 HD23 Comunicarse utilizando las normas esperadas para el medio elegido.
B13 HD24 Participar activamente en la actividad presencial en el aula.
B14 HD31 Asignar recursos y responsabilidades de forma que todos los miembros de un equipo puedan trabajar de manera óptima
B16 HD33 Establecer metas para que el grupo analice la situación, decida qué resultado se desea y establezca claramente un objetivo alcanzable
C1 C1. Expresarse correctamente, tanto de forma oral como escrita, en las lenguas oficiales de la comunidad autónoma.
C2 C2. Dominar la expresión y la comprensión de forma oral y escrita de un idioma extranjero.
C3 C3. Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida.
C4 C4. Desarrollarse para el ejercicio de una ciudadanía respetuosa con la cultura democrática, los derechos humanos y la perspectiva de género.
C7 C7. Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social.
C8 C8. Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad.

Resultados de aprendizaje
Resultados de aprendizaje Competencias del título
Conocer los distintos tipos de aprendizaje automático AP15
BP1
BP3
BP13
CP1
Comprender el funcionamiento de las redes neuronales artificiales AP15
BP1
BP3
BP6
BP8
BP12
BP13
BP14
BP16
CP1
CP2
CP3
CP4
CP7
CP8
Ser capaz de deseñar modelos de aprendizaxe automática cuánticos con circuítos parametrizados e clasificación variacional AP4
AP15
BP1
BP3
BP6
BP8
BP12
BP13
BP14
BP16
CP1
CP2
CP3
CP4
CP7
CP8
Comprender el funcionamiento de las máquinas de vectores de soporte AP15
BP1
BP3
BP6
BP8
BP12
BP13
BP14
BP16
CP1
CP2
CP3
CP4
CP7
CP8
Ser capaz de diseñar mapas cuánticos de características y kernels AP4
AP15
BP1
BP3
BP6
BP8
BP12
BP13
BP14
BP16
CP1
CP2
CP3
CP4
CP7
CP8

Contenidos
Tema Subtema
1. Introducción al aprendizaje automático
2. Redes neuronales artificiales
3. Circuitos cuánticos parametrizados para el aprendizaje automático
4. Máquinas de vectores de soporte y kernels
5. Análisis de componentes principales

Planificación
Metodologías / pruebas Competéncias Horas presenciales Horas no presenciales / trabajo autónomo Horas totales
Sesión magistral A4 A15 B13 C1 C2 C8 10.5 15.75 26.25
Prácticas de laboratorio A4 A15 B1 B3 B6 B8 B12 B14 B16 C3 C4 C7 10.5 34.65 45.15
Prueba objetiva A4 A15 B1 B3 B8 C1 C2 C3 C8 2.6 0 2.6
 
Atención personalizada 1 0 1
 
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías
Metodologías Descripción
Sesión magistral Clases magistrales con la exposición de los conocimientos teóricos y prácticos usando diferentes recursos digitales.
Prácticas de laboratorio Prácticas basadas en los conocimientos que el estudiante va adquiriendo en las clases magistrales.
Prueba objetiva Prueba escrita mediante la que se valora los conocimientos adquiridos por el alumnado.
Cada estudiante deberá aplicar sus conocimientos tanto a nivel teórico como a nivel práctico.

Atención personalizada
Metodologías
Prácticas de laboratorio
Descripción
La atención personalizada al alumnado comprende no solo las tutorías, presenciales o virtuales, para la discusión de dudas, sino también las siguientes actuaciones:

- Seguimiento de la labor realizada en las prácticas de laboratorio propuestos por el profesorado.
- Evaluación de los resultados obtenidos en las prácticas.
- Encuentros personalizados para resolver dudas sobre los contenidos de la asignatura.

Evaluación
Metodologías Competéncias Descripción Calificación
Prueba objetiva A4 A15 B1 B3 B8 C1 C2 C3 C8 Prueba/s sobre contenidos teórico-prácticos. 40
Prácticas de laboratorio A4 A15 B1 B3 B6 B8 B12 B14 B16 C3 C4 C7 Entrega de prácticas basadas en los conocimientos adquiridos en las clases magistrales. 60
 
Observaciones evaluación

Partes de la evaluación. 

  • La evaluación de la asignatura se realizará en dos partes: evaluación continua (prácticas) y prueba objetiva (parcial y/o final). 

Cómo se evalúa el no presentado. 

  • La entrega de alguna de las actividades o pruebas de evaluación continua supondrá que el alumno optó por presentarse a la asignatura. Por tanto, a partir de ese momento, aun no presentándose a la prueba objetiva habrá consumido una oportunidad. 

Cómo se evalúa la segunda oportunidad. 

  • En la segunda oportunidad (julio) se conservarán las notas de la evaluación continua y/o la prueba objetiva obtenidas durante el cuatrimestre.

  • Si el alumno se presenta a la segunda oportunidad en la evaluación continua o en la prueba objetiva, la nota obtenida en la primera oportunidad para esa parte se anula, y la calificación correspondiente de esa parte será la de la segunda oportunidad.

  • La nota final de la materia en la segunda oportunidad se calculará con el mismo criterio que en la primera oportunidad. 

Plagios 

  • La realización fraudulenta de las pruebas o actividades de evaluación, una vez comprobada, implicará directamente la cualificación de suspenso "0" en la materia en la convocatoria correspondiente, invalidando así cualquier cualificación obtenida en todas las actividades de evaluación de cara a convocatoria extraordinaria. 


Fuentes de información
Básica Aurélien Géron (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Ed.. O'Reilly
François Chollet (2021). Deep Learning with Python, 2nd Ed.. Manning
Maria Schuld, Francesco Petruccione (2021). Machine Learning with Quantum Computers, 2nd Ed.. Springer
Qiskit (2023). Quantum machine learning. https://qiskit.org/learn/course/machine-learning-course/

Complementária Qiskit (2023). Qiskit documentation. https://qiskit.org/documentation/
Qiskit (2023). Qiskit Terra API Reference. https://qiskit.org/documentation/apidoc/terra.html


Recomendaciones
Asignaturas que se recomienda haber cursado previamente
Introducción a la Computación Cuántica/614551004

Asignaturas que se recomienda cursar simultáneamente
Herramientas de la Computación Cuántica/614551006
Programación e Implementación de Algoritmos Cuánticos/614551007

Asignaturas que continúan el temario
Aplicaciones Prácticas de la Computación Cuántica/614551010

Otros comentarios


(*) La Guía Docente es el documento donde se visualiza la propuesta académica de la UDC. Este documento es público y no se puede modificar, salvo cosas excepcionales bajo la revisión del órgano competente de acuerdo a la normativa vigente que establece el proceso de elaboración de guías