Machine learning using libraries Qiskit and squlearn

Andrei Nechiporuk

Bakalářská práce

Strojové učení pomocí knihoven Qiskit a squlearn

Anotace:

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.

Abstract:

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

klasické strojové učení, Parkinsonova nemoc, kvantové strojové učení, qiskit, squlearn, scikit-learn

Keywords

quantum machine learning, classical machine learning, Parkinson’s disease, qiskit, squlearn, scikit-learn

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 6. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 10. 6. 2024
• Vedoucí: Tomáš Kliegr
• Oponent: Petr Berka

Vysoká škola ekonomická v Praze

Bakalářský studijní program:
Aplikovaná informatika