Порівняльний аналіз класичних, гібридних варіаційних та квантових моделей машинного навчання на основі ядра для багатокласової класифікації
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Дипломна робота: 75 с., 32 рис., 12 табл., 28 посиланнь, додаток.
Об’єктом дослідження є набір даних Iris для задачі багатокласової класифікації. Предметом дослідження є класичні, гібридні варіаційні квантові та квантові ядерні моделі машинного навчання. Метою роботи є порівняння класичних, гібридних варіаційних квантових та квантових ядерних класифікаторів за точністю, ефективністю та практичною застосовністю. У роботі використано методи машинного навчання, квантового машинного навчання, стратифікованої 5-кратної крос-валідації, статистичного аналізу та аналізу виразності квантових схем. Розроблено програмний продукт мовою Python, який реалізує 8 моделей класифікації: Classical-Only NN, BasicRotation, BasicEntangler, StronglyEntangled, Classical RBF-SVM, ZZFeatureMap Kernel, IQP-style Kernel та Amplitude Embed Kernel. Проведено експериментальне порівняння моделей із використанням бібліотек PennyLane, PyTorch та scikit-learn. Встановлено, що квантові та гібридні підходи є перспективними для задач ядрової класифікації, однак їхня ефективність залежить від вибору схеми кодування даних, типу ядра та розміру вибірки. Отримані результати можуть бути використані для подальших досліджень квантового машинного навчання, тестування моделей на складніших наборах даних, реальних квантових процесорах та в умовах квантового шуму.
Опис
Ключові слова
машинне навчання, квантове машинне навчання, багатокласова класифікація, ядрові методи, квантові ядра, варіаційні квантові схеми, iris, pennylane, pytorch, scikit-learn
Бібліографічний опис
Сбітнєв. М. П. Порівняльний аналіз класичних, гібридних варіаційних та квантових моделей машинного навчання на основі ядра для
багатокласової класифікації : дипломна робота … бакалавра : 122 Комп'ютерні науки / Сбітнєв Михайло Павлович. – Київ, 2026. – 109 с.