تسعى هذه الدراسة إلى مقارنة كفاءة خوارزميات التعلم الآلي ضمن النماذج الحاسوبية الكلاسيكية والكمية. وبخاصة، من خلال التركيز على آلات الدعم المتجهي (SVM)، نُجري تحليلًا دقيقًا لقدرات التصنيف المُحققة من قبل آلات الدعم المتجهي الكلاسيكية وآلات الدعم المتجهي الكمومية (QSVM) التي تعمل على هاردوير كمومي، باستخدام مجموعة بيانات Iris. ويشمل المنهج المستخدم مجموعة واسعة من التجارب التي نُظمت باستخدام مكتبة Qiskit، إلى جانب تحسين المعلمات الفائقة (Hyperparameter Optimization). تُظهر النتائج أن هناك حالات محددة يُمكن فيها لخوارزميات QSVM تحقيق دقة تنافس خوارزميات SVM الكلاسيكية، رغم أن أوقات التنفيذ ما تزال طويلة حاليًا. علاوةً على ذلك، نُبرز أن زيادة القدرة الحسابية الكمومية وحجم التوازي يمكن أن يُحسّنا بشكل ملحوظ من أداء خوارزميات التعلم الآلي الكمومية. تقدم هذه الدراسة رؤى قيّمة حول الوضع الحالي والطموحات المستقبلية لتطبيقات التعلم الآلي في العصر الكمي. رابط Colab: https://t.ly/QKuz0