实用量子计算 培训

本课程为讲师指导的中国（线上或线下）培训，面向希望利用量子计算增强AI能力的高级专业人士。

培训结束后，学员将能够：

• 理解混合AI-量子系统及其潜在应用。
• 实现量子机器学习算法。
• 利用量子计算资源优化AI模型。
• 克服扩展和集成量子AI系统的挑战。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Anaconda 生态系统在单一平台中捕获、管理和部署软体包和数据分析工作流 的数据科学家。

在本次培训结束时，参与者将能够：

• 安装和配置 Anaconda 个元件和库。
• 了解 Anaconda 的核心概念、功能和优势。
• 使用 Anaconda Navigator 管理包、环境和频道。
• 将 Conda、R 和 Python 包用于数据科学和机器学习。
• 了解管理多个数据环境的一些实际使用案例和技术。

概述

服务提供商(CSP)面临压力,以降低成本,最大限度地提高用户平均收入(ARPU),同时确保优秀的客户体验,但数据量仍在增长。 到2016年,全球移动数据流量将以78%的合并年增长率(CAGR)增长,每月达到10.8 exabytes。

与此同时,CSP正在产生大量的数据,包括呼叫细节记录(CDR),网络数据和客户数据。 充分利用这些数据的公司获得了竞争优势。 根据The Economist Intelligence Unit最近的一项调查,使用数据导向决策的公司享有5至6%的生产力增长。 然而,53%的公司只利用其有价值的数据的一半,其中四分之一的受访者指出,大量有用的数据正在失去。 数据量如此高,以至于手动分析是不可能的,而大多数遗产软件系统无法保持,导致有价值的数据被忽略或忽略。

使用高速可扩展的大数据软件,CSP 可以在更短的时间内挖掘所有数据,以便在更短的时间内做出更好的决策。 不同 Big Data 产品和技术提供一个终端软件平台,以收集,准备,分析和展示来自大数据的洞察力。 应用领域包括网络性能监测、欺诈检测、客户端检测和信用风险分析。 Big Data 分析产品规模处理数据的特拉比特,但这些工具的实施需要新的类型的基于云的数据库系统,如(3)或大规模平行计算处理器(KPU等)。

该课程工作在 Big Data BI for Telco 覆盖了所有新兴的领域,在这些领域,CSP 正在投资,以提高生产力,并打开新的业务收入流。 该课程将提供一个完整的360学位的视图 Big Data BI在Telco,以便决策者和管理人员可以有一个非常广泛和全面的概述的可能性 Big Data BI在Telco的生产力和收入收益。

课程目标

该课程的主要目标是引入4个领域的新(0)商业智能技术(9)(Marketing/销售、网络运营、金融运营和客户关系(4))。 学生将被介绍为如下:

• 引入 Big Data - 什么是 4Vs (容量,速度,多样性和可靠性) 在 Big Data - 从 Telco 视角的发行,提取和管理
• 如何分析与遗产数据分析不同
• 内部正当化 Big Data -Telco 视角
• 引入 Hadoop 生态系统 - 熟悉所有 Hadoop 工具,如 Hive, 猪, SPARC –什么时候和如何使用它们来解决 Big Data 问题
• 如何 Big Data 被提取到分析分析工具 - 如何 Business Analysis’s 可以通过集成 Hadoop 板块方法来减少数据收集和分析的疼痛点
• 基础介绍 Insight 分析、视觉分析和预测分析为 Telco
• 客户评估分析和如何评估分析可以在Telco案例研究中减少客户评估和客户不满
• 网络故障和服务故障分析来自网络 meta 数据和 IPDR
• 财务分析 - 欺诈、欺诈和从销售和运营数据中获得的ROI估计
• 客户收购问题 - 目标营销,客户分区和从销售数据中交叉销售
• 介绍和概述所有 Big Data 分析产品以及它们适合在 Telco 分析空间的位置
• 结论 - 如何采取一步一步的方法来引入 Big Data Business Intelligence 在您的组织

目标观众

• 网络运营,财务经理,CRM经理和Telco CIO办公室的顶级IT经理。
• Business 分析师在 Telco
• CFO办公室经理/分析师
• 运营经理
• QA管理员

在这个由 中国 的讲师指导式现场培训中，参与者将在逐步开发针对 量子计算机的演算法时学习量子计算的基础知识。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始创建量子电路。
• 使用门的原生对应项控制门的行为。
• 使用 Cirq 改进 quibit 不准确之处。
• 编写并执行量子电路，以针对基于 NISQ 的量子计算机模拟器运行。

大数据是如此庞大和复杂的数据集，传统的数据处理应用软件不足以处理它们。大数据挑战包括捕获数据，数据存储，数据分析，搜索，共享，传输，可视化，查询，更新和信息隐私。

本次由讲师主导的中国（线上或线下）培训面向初学者，旨在帮助他们理解量子计算的基础知识，探索Google Willow的功能，并学习如何开始量子编程。

培训结束后，学员将能够：

• 理解量子计算和量子比特（qubits）的原理。
• 探索Google Willow及其在量子纠错方面的进展。
• 使用Qiskit编写并运行基本的量子程序。
• 识别量子计算在现实世界中的应用。

这个由 讲师指导的 中国 现场培训（在线或现场）面向希望在 Data Science 中使用 Kaggle 学习和建立职业生涯的数据科学家和开发人员。

在本次培训结束时，参与者将能够：

• 了解数据科学和机器学习。
• 探索数据分析。
• 了解 Kaggle 及其工作原理。

这种由 讲师指导的 中国 现场现场培训（在线或现场）面向希望使用 Modin 构建和实施并行计算的数据科学家和开发人员 Pandas 以加快数据分析速度。

在本次培训结束时，参与者将能够：

• 设置必要的环境，开始使用 Modin 大规模开发 Pandas 工作流。
• 了解 Modin 的功能、架构和优势。
• 了解 Modin、Dask 和 Ray 之间的区别。
• 使用 Modin 更快地执行 Pandas 操作。
• 实现整个 Pandas API 和函数。

ProjectQ 是一个基于 Python 的开源量子计算软件框架，它允许用户表达量子电路并将其翻译为多种后端量子硬件或模拟器。该框架支持高级优化、编译器引擎和后端目标。

本次由讲师指导的培训（线上或线下）面向中级开发者，旨在帮助他们理解并应用 ProjectQ 进行实际量子编程和后端翻译。

培训结束后，参与者将能够：

• 描述 ProjectQ 的架构和用途。
• 使用 ProjectQ 的 Python API 编写量子电路。
• 使用 ProjectQ 的编译器引擎和优化功能。
• 使用 ProjectQ 针对不同的量子后端或模拟器。

课程形式

• 互动讲座与讨论。
• 动手编程练习和电路构建。
• 针对模拟器或硬件后端的实时实验室实现。

课程定制选项

• 如需为本课程定制培训，请联系我们安排。

本次由讲师指导的线下或线上培训，面向希望理解量子计算原理并将其应用于开发量子计算机算法的计算机科学家和工程师。

培训结束后，参与者将能够：

• 理解量子计算的基础知识。
• 理解并将量子物理概念应用于计算方法。
• 为量子计算机创建算法。
• 使用量子计算机高效解决计算问题。
• 将量子行为整合到现有的计算模型中。
• 认识量子计算在其他技术进步中的潜力。

本次由讲师指导的中国（线上或线下）培训面向初级到中级水平的AI专业人士和AI研究人员，旨在帮助他们理解量子AI的基础知识及其潜在应用。

培训结束后，参与者将能够：

• 掌握量子力学在量子计算中的基本原理。
• 理解量子算法的工作原理及其实现。
• 认识量子AI在革新各行业中的潜力。
• 开发一个基础的量子机器学习模型。
• 评估量子AI的挑战和伦理考量。

本次由讲师指导的线下或线上培训，面向初级到中级水平的业务和技术领导者，旨在帮助他们了解量子计算的基础知识及其在密码学、物流和金融建模等行业的潜在影响，并学习如何在其领域中应用量子计算。

培训结束后，参与者将能够：

• 理解量子计算的基本原理，包括量子比特和量子纠缠。
• 识别量子计算在密码学、物流和金融建模中的潜在应用。
• 了解量子技术的当前局限性和未来发展。
• 掌握量子算法的基础知识及其对业务挑战的影响。

在这个由 中国 的讲师指导式现场培训中，参与者将学习量子计算的基础知识，并在逐步开发简单的量子程式时 Q#。

在本次培训结束时，参与者将能够：

• 安装并配置 Microsoft 的 Quantum 开发工具包。
• 了解量子计算背后的概念。
• 使用 Q#、Visual Studio 和本地量子计算模拟器构建、测试、执行量子程式并对其进行故障排除。

本次由讲师指导的线下或线上培训，面向希望使用IBM Quantum Experience创建、编辑和调用量子电路的计算机科学家。

培训结束后，学员将能够：

• 设置必要的开发环境，开始创建量子电路。
• 使用IBM Quantum Experience及其模拟器改进量子比特中的不准确性。
• 使用门的原生对应物控制门的行为。
• 安排门事件的时间。

本次由讲师指导的线下或线上培训，面向希望使用RAPIDS构建GPU加速的数据管道、工作流和可视化的数据科学家和开发者，应用如XGBoost、cuML等机器学习算法。

培训结束后，参与者将能够：

• 设置必要的开发环境，使用NVIDIA RAPIDS构建数据模型。
• 了解RAPIDS的特性、组件和优势。
• 利用GPU加速端到端的数据和分析管道。
• 使用cuDF和Apache Arrow实现GPU加速的数据准备和ETL。
• 学习如何使用XGBoost和cuML算法执行机器学习任务。
• 使用cuXfilter和cuGraph构建数据可视化并执行图分析。