Diese Arbeit bemüht sich, die Wirksamkeit von maschinellen Lernalgorithmen innerhalb klassischer und quantencomputationaler Paradigmen gegenüberzustellen. Insbesondere fokussieren wir uns auf Support Vector Machines (SVM) und untersuchen die Klassifizierungseffizienz klassischer SVMs im Vergleich zu Quanten-Support-Vektor-Maschinen (QSVM), die auf Quantenhardware ausgeführt werden, anhand des Iris-Datensatzes. Die angewendete Methodik umfasst eine umfassende Reihe von Experimenten, die mithilfe der Qiskit-Bibliothek durchgeführt wurden, sowie eine Hyperparameter-Optimierung. Die Ergebnisse zeigen, dass QSVMs unter bestimmten Bedingungen eine Genauigkeit erreichen, die mit der klassischer SVMs konkurrieren kann, wenngleich die Ausführungszeiten derzeit noch erheblich verlängert sind. Zudem betonen wir, dass eine Erhöhung der quantenrechnerischen Kapazität sowie die Steigerung der Parallelität die Leistungsfähigkeit von Quantenmaschinellem Lernen erheblich verbessern kann. Diese Untersuchung liefert wertvolle Einblicke in den aktuellen Stand und das zukünftige Potenzial von maschinellem Lernen im Zeitalter der Quantencomputing-Technologie. Colab: https://t.ly/QKuz0