Mit diesem Kurs taucht Dozentin Prof. Dr. Bettina Just von der Technischen Hochschule Mittelhessen ein vorerst letztes Mal mit Ihnen in die Grundlagen des Quantencomputings ein. Sie lernen zuerst den Mechanismus den Phase-Kickbacks kennen, der die Basis vieler Quantenalgorithmen ist.

Hier werden Sie auch an einigen bereits bekannten Beispielen von Quantenalgorithmen vorbeikommen. Daran anschließend wird es um Quantenfehlerbehebung gehen. Weiter wird erläutert, warum Quantenbits komplexe (und nicht einfach reelle) Amplituden haben. Der Kurs schließt mit einem Ausflug ins adiabatische Quantencomputing, das ganz anders funktioniert als Quantencomputing mit dem Schaltkreismodell und ein vielversprechender Ansatz für die Lösung von Optimierungsproblemen ist.

Bitte beachten Sie: Anders als die meisten anderen Kurse auf openHPI steht dieser Kurs nicht unter einer Creative-Commons-Lizenz. Vervielfältigung und Veränderung der Materialien, außer im Zusammenhang mit Ihrer Teilnahme an diesem Kurs, sind nicht gestattet.

Bayesian data analysis is increasingly becoming the tool of choice for many data-analysis problems.

This free course on Bayesian data analysis will teach you basic ideas about random variables and probability distributions, Bayes' rule, and its application in simple data analysis problems. You will learn to use the R package brms (which is a front-end for the probabilistic programming language Stan). The focus will be on regression modeling, culminating in a brief introduction to hierarchical models (otherwise known as mixed or multilevel models).

This course is appropriate for anyone familiar with the programming language R and for anyone who has done some frequentist data analysis (e.g., linear modeling and/or linear mixed modeling) in the past.

Whether we stream our favorite series, develop new drugs or have us being chauffeured by a self-driving car -- machine learning is an essential part of our modern life, and of our future. But the growing amount of data and our increasing demands pose difficulties for today's classical computers. Can quantum computing overcome these challenges? What potentials does the emerging field of quantum machine learning have?

In this course, we will not only learn about quantum machine learning and its prospects, but we will also solve concrete tasks with both classical and quantum models. This course is aimed at students, experts and enthusiasts of quantum computing or machine learning. Prior knowledge about quantum computing or quantum information are strongly recommended.

In dieser Fortsetzung des ersten Quantencomputing-Kurses auf openHPI Einführung in das Quantencomputing (hier Teil 1) erweitert Dozentin Prof. Bettina Just von der Technischen Hochschule Mittelhessen die Grundlagen des Quantencomputings. Sie lernen, wie der Algorithmus zur Teleportation funktioniert, und wie klassische logische Gatter auf Quantenschaltkreisen simuliert werden können. Danach gibt es Mathematik, immer mit Beispielen aus dem Quantencomputing und nur genauso viel, wie es für das Verständnis der Folgekurse erforderlich ist: Vektoren, Matrizen, Tensoren, komplexe Zahlen, und eine Detaillierung der Idee, warum Quantenalgorithmen so schnell sind.

Bitte beachten Sie: Anders als die meisten anderen Kurse auf openHPI steht dieser Kurs nicht unter einer Creative-Commons-Lizenz. Vervielfältigung und Veränderung der Materialien, außer im Zusammenhang mit Ihrer Teilnahme an diesem Kurs, sind nicht gestattet.

In this course you will learn how to use Qiskit for working with quantum computers. Qiskit is an SDK for working at the level of pulses, circuits, algorithms and application modules. During the first week you will explore the available tools to run your experiments on IBM Quantum computers in the cloud, write your first lines of Qiskit code, do a recap of the fundamentals of quantum computing and understand how to run experiments both on simulators and on quantum devices. During the second week you will use everything you have learnt to implement two of the first quantum computing algorithms.

Du hast bereits den Java-Kurs auf openHPI gemacht und die Einführung in Collections war dir zu schnell oder nicht detailliert genug? Du willst Datenstrukturen in Java besser kennenlernen? Du wolltest immer schon mal wissen, was eigentlich Iteratoren sind und welche Vorteile diese gegenüber von Schleifen haben? Welche Datenstrukturen für welche Anwendungsfälle schneller oder besser geeignet sind?

Auch Duke und seinen neuen Freund Big O beschäftigen diese Fragen in ihrem aktuellen Fall und sie brauchen wieder mal Deine Hilfe! Begleite Duke und seine Freunde auf ihrer spannenden Reise durch die wunderbare Welt der Algorithmen und Datenstrukturen in Java. Spoiler: mehr Drama, mehr Action und höchstens ein Papagei.

Digitalization is a game changer in the pursuit of a sustainable future. The latest digital technologies and applications like cloud, AI, and mobile devices enable us to achieve the Sustainable Development Goals and reduce carbon emissions in many sectors. Yet computer systems themselves have an immense energy requirement for their countless devices, data centers, applications and global networks. To effectively reduce the carbon footprint of digitalization, it is necessary to apply algorithmic efficiency and sustainability by design as guiding principles in digital engineering. The clean-IT Forum is the international platform to exchange ideas, recent research findings and applications to make digital technologies more energy-efficient.

Wie verwalte ich verschiedene Versionen von Software oder einer großen Menge von Dateien? Nicht nur für Entwickler ist das eine spannende Frage. In diesem Kurs wollen wir euch daher das Versionsverwaltungstool Git näher bringen. Dazu machen wir einen Ausflug in die Welt der Open Source Software.

In unserem Kurs zeigen wir euch, wie ihr ein passendes Projekt findet und sofort mit der Arbeit beginnen könnt. Dieser Kurs ist an alle gerichtet, die etwas über Versionsverwaltung und Arbeit in Open Source Projekten lernen möchten.

In diesem Sinne: Lets git started!

Über “Neuronale Netze”, “Artificial Intelligence” und “Deep Learning” reden heute alle. Jeder möchte künstliche Intelligenz nutzen, doch wie fange ich am besten damit an?

In diesem Kurs werden wir künstliche neuronale Netze, die Grundlage künstlicher Intelligenz, sowohl theoretisch als auch praktisch einführen. Dabei wollen wir genauer untersuchen, wie solche Netze funktionieren und wie man sie entwickeln und einsetzen kann. Der Kurs beinhaltet theoretische Grundlagen, praktische Übungen und weiterführende Exkurse, unter anderem in die Algorithmen, welche zum Trainieren von neuronalen Netzen verwendet werden. Anschließend werden wir lernen, wie ein Netz für verschiedene Einsatzzwecke optimiert werden kann und wie wir auch mit wenig Trainingsdaten Erfolge erzielen können. Am Ende zeigen wir, wie ihr selbst ein gutes Netz für ein eigenes Problem trainieren könnt.

Ziel des Kurses ist es, ein Verständnis von künstlichen neuronalen Netzen und deren Einsatz- und Optimierungsmöglichkeiten zu schaffen.

Die Programmiersprache Ruby hat sich nicht zuletzt durch den Erfolg des Web-Frameworks Ruby on Rails einen Namen gemacht. Ihre Anwendungsmöglichkeiten gehen aber weit über das Web hinaus; und wer Rails kennt, kennt noch lange nicht alles, was diese Sprache zu bieten hat.

In diesem Kurs wollen wir mit euch Ruby von Grund auf kennenlernen - mit seiner Eleganz und seiner Ausdrucksstärke, aber auch mit seinen Tücken.

In allen Anwendungen in der Informatik steckt eine große Portion Mathematik. Insbesondere basieren viele Algorithmen, die uns täglich helfen (zum Beispiel Googles Suchalgorithmen oder Routenfindung bei Navigationssytemen) auf cleveren mathematische Einsichten.

In diesem Kurs wird die Sprache der modernen Mathematik vorgestellt. In der ersten Woche werden wir dazu die grundlegenden Bausteine einführen; dabei wird es um Quantoren und Junktoren, sowie Formalisierungen und Spezifikationen gehen. In der zweiten Woche werden wir diese Themen anhand ausgewählter Beispiele (Wegfindung und Googles PageRank Algorithmus) anwenden. In der dritten Woche steigen wir dann etwas tiefer in die Mathematik und lernen mehrere Analysewerkzeuge kennen (z.B. die berühmte "O-Notation")

Für diesen Kurs ist kein akademisches Vorwissen aus der Mathematik nötig. Teilnehmer des Kurses verstehen im Anschluss die mathematische Sprache und verstehen, wie diese bei algorithmischen Fragestellungen angewandt wird.

In allen Anwendungen in der Informatik steckt eine große Portion Mathematik. Insbesondere basieren viele Algorithmen, die uns täglich helfen (zum Beispiel Googles Suchalgorithmen oder Routenfindung bei Navigationssytemen) auf cleveren mathematischen Einsichten.

In diesem Kurs wird die Sprache der modernen Mathematik vorgestellt. In der ersten Woche werden wir dazu die grundlegenden Bausteine einführen; dabei wird es um Quantoren und Junktoren, sowie Formalisierungen und Spezifikationen gehen. In der zweiten Woche werden wir diese Themen anhand ausgewählter Beispiele (zum Beispiel Logarithmengesetze und Landau-Notation) anwenden.

Für diesen Kurs ist kein akademisches Vorwissen aus der Mathematik nötig.