Μαθήματα

Πολυτεχνείο Κρήτης » Master of Science in Machine Learning and Data Science » Fall semester

Μάθημα
Practical Data Science and Applications (MLDS102) Nikos Giatrakos
Probability Theory & Introduction to Machine Learning (MLDS101 - TEL 901) ΜΙΧΑΗΛ ΠΑΤΕΡΑΚΗΣ και ΓΕΩΡΓΙΟΣ ΚΑΡΥΣΤΙΝΟΣ
Probability Theory & Introduction to Machine Learning - Fall 2024 (TEL 901) ΓΕΩΡΓΙΟΣ ΚΑΡΥΣΤΙΝΟΣ
Programming and Database Fundamentals (MLDS103-s) Vasilis Samoladas
Quantum Information and Quantum Estimation ΜΤΗ905 Winter term 2025 // Κβαντική Πληροφορία και Κβαντική Εκτιμητική / Χειμερινό εξάμηνο 2024-2025 (MLDS115) Demosthenes Ellinas

Fundamentals of programming with Python and Python libraries for data manipulation. This is a hands-on course with a substantial amount of project work. No prior knowledge of Python is needed, but a basic understanding of programming concepts (variables, types, functions, files, etc) as well as computer use skills are required.

Part I: We will cover principles of object-oriented and structured programming, data representation via Python data structures, and fundamental data manipulation in idiomatic Python. Then, we will examine Python libraries for scientific computing (numpy and scipy).
Part II: We will learn to work with basic software development technologies (version control, package installation, package publication) and interactive environments. A practical introduction to Jupyter, pandas, scikit-learn and matplotlib will be followed by students demonstrating their use on introductory data analysis tasks.
Part III: An introduction to high-performance computing techniques via Python, including dask and tensorflow will be given. Students will be asked to implement all stages of a scientific workflow, demonstrating the skills acquired in the previous stages of the course.

Requirements: basic knowledge of programming in any programming language

Instructor:
Dr. Nikos Giatrakos
- Course Schedule: Tuesday 19:00 - 20:30, Thursday 19:00 - 20:30
- Room: 145Π58

Contact:
- Asst. Professor Nikos Giatrakos
  Office: 145Α-37,
- email:Office Hours: Thursday 16:30 - 18:30

Suggested Readings

- Notes by the instructor of the course.
- Good but only partially relevant: https://pythonnumericalmethods.berkeley.edu/notebooks/Index.html

Probability spaces, Random Variables and Stochastic Processes, Conditional Probability, Expected Values, Conditional Expectations, Independence of Random Variables. The Bernoulli Stochastic Process and Sums of Independent Random Variables: Bernoulli Process, Number of Successes, Times of Successes, Sums of Independent Random Variables, Chebyshev Inequality, Weak and Strong Law of Large Numbers, Central Limit Theorem.
Basics of Inference and Testing (including maximum likelihood estimates, hypothesis testing, likelihood ratio test, and Bayesian inference), Linear regression models, Generalized linear regression models (including logistic regression), Nonparametric Regression (including Gaussian Process regression), Tree methods and Forests, Bagging and Ensemble methods, Statistical Computing.

Database design and use of databases in applications. Design and implementation issues in databases. Design and implementation of relational systems. Design and implementation of object–oriented systems. XML databases. Query optimization in databases. Optimizing the performance of applications with design at the physical level, cost optimization for transactions, recovery. Distributed databases. Data Warehousing. Data mining on databases. Continuous Databases. Stream Processing. Big Data Systems and Frameworks. SQL.

State vector Hilbert spaces, Qubit. Theory of quantum measurements, orthonormal complete bases, projectors, positive operator-valued probability measures (POVM). Density matrix, spectral decomposition, convex decomposition. Bloch sphere and vector. Introduction to quantum entanglement. Quantum correlations, Biorthogonal analysis, Schmidt numbers. Measures of entanglement, Quantum entropy measures. Quantum information. The Schroedinger–HJW theorem. Quantum channels (single qubit, collective channels). Quantum algorithms, Computational and communicational algorithms. The Deutsch–Jozsa algorithm. Quantum teleportation algorithm for states, gates, channels. The LOCC protocol. Quantum walks (QW). Coin-walker Hilbert spaces. The QW channel maps. Quadratic speed ups. Introduction to the Helstrom-Holevo quantum estimation theory. Cramer-Rao bound and quantum Fisher information. Optimal measurements and the symmetric logarithmic derivative operator. Phase estimation problems of quantum states. Temperature estimation and qubit thermometry for closed and open quantum systems.

Χώροι Hilbert καταστατικών διανυσμάτων - Qubit. Θεωρία κβαντικών μετρήσεων, ορθοκανονικές βάσεις, προβολικοί τελεστές. Θετικά τελεστικά μέτρα πιθανότητας POVM. Πίνακας πυκνότητας, φασματική ανάλυση, κυρτοί συνδυασμοί. Σφαίρα κα διάνυσμα Bloch. Εισαγωγή στο κβαντικό εναγκαλισμό. Κβαντικές συσχετίσεις - Διορθογώνια ανάλυση - Αριθμοί Schmidt. Μετρήσεις εναγκαλισμού- Μέτρα κβαντικής εντροπίας. Κβαντική Πληροφορία. Το θεώρημα Schroedinger -HJW. Κβαντικά κανάλια (1-qubit, συλλογικά κανάλια). Κβαντικοί αλγόριθμοι - Αλγόριθμοι υπολογισμών και επικοινωνίας. Ο αλγόριθμος Deutsch--Jozsa. Κβαντική τηλεμεταφορά καταστάσεων, πυλών, καναλιών. Το πρωτόκολο LOCC. Κβαντικοί περίπατοι (QW). Χώροι Hilbert νομίσματος-περιπατητή. Κανάλια τύπου QW. Τετραγωνικές επιταχύνσεις. Εισαγωγή στη θεωρία κβαντικής εκτιμητικής Helstrom-Holevo. Φράγμα Cramér-Rao και κβαντική πληροφορία Fisher. Βέλτιστες μετρήσεις και ο συμμετρικός τελεστής λογαριθμικής παραγώγου. Προβλήματα εκτιμητικής γωνίας φάσης σε κβαντικές καταστάσεις. Εκτιμητική θερμοκρασίας και θερμιδομετρία qubit για κλειστά και ανοιχτά κβαντικά συστήματα.

Photo: https://en.wikipedia.org/wiki/One-way_quantum_computer#/media/File:Bernstein_Vazirani_quantum_circuit.png

Διαλέξεις/Lectures

Πέμπτη/Thu, 12:00-13:00 αιθ./Classroom 2041
Παρασκευή/Fri, 12:00-15:00 αιθ.Classroom 2041

Ώρες γραφείου : Μία ώρα μετά το τέλος των διαλέξεων Πέμπτης και Παρασκευής ή μετά από συνεννόηση

Office hours: One hour after the end of lectures in Thu. and Fri. or by arrangment

Tel. +30 2821 0 37167
Email: dellinas(at)tuc.gr

Web: https://www.qlab.tuc.gr/en/people/faculty/d-ellinas

Office 145Β78Β Science Building

Εξέταση μαθήματος\Grading

Γραπτή Τελική Εξέταση\Written final exam       35%
Γραπτή Εξέταση Πρόοδου\Written midterm exam    20%
Εβδομαδιαίες Ασκήσεις \Weekly exercises        20% (2Χ10= 20 excer. )

Εργασία\Project 25%

(written exams: may use 2-pages of handwritten notes)

(στις εξετασεις και στην πρόοδο επιτρέπεται η χρήση δισέλιδου με χειρόγραφες σημειώσεις)

Μαθήματα

Practical Data Science and Applications

Probability Theory & Introduction to Machine Learning

Probability Theory & Introduction to Machine Learning - Fall 2024

Programming and Database Fundamentals

Quantum Information and Quantum Estimation ΜΤΗ905 Winter term 2025 // Κβαντική Πληροφορία και Κβαντική Εκτιμητική / Χειμερινό εξάμηνο 2024-2025