1. Wprowadzenie do kursu

Choć teoretyczne podstawy uczenia maszynowego zostały opracowane już kilkadziesiąt lat temu, nie sposób zaprzeczyć, że przeżywa ono w ostatnich latach prawdziwy rozkwit. Powodów można wymienić kilka — cyfryzacja i przeniesienie do Internetu znacznej części życia publicznego doprowadziło do powstania ogromnej ilości danych a zastosowanie na szeroką skalę procesorów graficznych do zadań niezwiązanych z grafiką zwanych jako GPGPU (ang. general-purpose computing on graphics processing units) spowodowało wzrost dostępnej mocy obliczonej. Obie te rzeczy są niezbędne do rozwijania systemów opartych na uczeniu maszynowym. Popularność uczenia maszynowego spowodowała, że badacze zaczęli szukać najróżniejszych sposobów na zwiększenie jego efektywności. Ich uwaga została skierowana na obliczenia kwantowe, które również miały za sobą parę lat dynamicznego rozwoju za sprawą powstawania coraz to wydajniejszych urządzeń kwantowych ery NISQ. Powstałe w efekcie kwantowe uczenie maszynowe daje nadzieje przynieść korzyści obu wchodzącym w jego skład dziedzinom. Już teraz zastosowania kwantowego uczenia maszynowego obejmują chemię, medycynę czy finanse.