Temario del curso
Introducción al Aprendizaje por Refuerzo e IA Basada en Agentes
- Toma de decisiones bajo incertidumbre y planificación secuencial
- Componentes clave del RL: agentes, entornos, estados y recompensas
- El rol del RL en sistemas de IA adaptativos y basados en agentes
Procesos de Decisión de Markov (MDPs)
- Definición formal y propiedades de los MDPs
- Funciones de valor, ecuaciones de Bellman y programación dinámica
- Evaluación de políticas, mejora e iteración
Aprendizaje por Refuerzo sin Modelo (Model-Free)
- Aprendizaje Monte Carlo y Diferencia Temporal (TD)
- Q-learning y SARSA
- Práctica: implementación de métodos RL tabulares en Python
Aprendizaje Profundo por Refuerzo (Deep Reinforcement Learning)
- Combinación de redes neuronales con RL para aproximación de funciones
- Deep Q-Networks (DQN) y experiencia acumulada (experience replay)
- Arquitecturas Actor-Crítico y gradientes de política
- Práctica: entrenamiento de un agente usando DQN y PPO con Stable-Baselines3
Estrategias de Exploración y Diseño de Recompensas (Reward Shaping)
- Equilibrar exploración vs. explotación (ε-greedy, UCB, métodos de entropía)
- Diseñar funciones de recompensa y evitar comportamientos no deseados
- Diseño de recompensas y aprendizaje por currículum
Temas Avanzados en RL y Toma de Decisiones
- Aprendizaje por refuerzo multi-agente y estrategias cooperativas
- Aprendizaje por refuerzo jerárquico y marco de opciones (options framework)
- RL fuera de línea y aprendizaje por imitación para despliegues más seguros
Entornos de Simulación y Evaluación
- Uso de OpenAI Gym y entornos personalizados
- Espacios de acción continuos vs. discretos
- Métricas para el desempeño, estabilidad y eficiencia de muestreo del agente
Integración del RL en Sistemas de IA Basada en Agentes
- Combinar razonamiento y RL en arquitecturas híbridas de agentes
- Integrar aprendizaje por refuerzo con agentes que utilizan herramientas
- Consideraciones operativas para la escalabilidad y el despliegue
Proyecto Final Integrador
- Diseñar e implementar un agente de aprendizaje por refuerzo para una tarea simulada
- Analizar el desempeño del entrenamiento y optimizar hiperparámetros
- Demostrar comportamiento adaptativo y toma de decisiones en un contexto basado en agentes
Resumen y Próximos Pasos
Requerimientos
- Sólida competencia en programación con Python
- Comprensión profunda de los conceptos de aprendizaje automático y aprendizaje profundo
- Familiaridad con álgebra lineal, probabilidad y métodos básicos de optimización
Audiencia Objetivo
- Ingenieros de aprendizaje por refuerzo e investigadores en IA aplicada
- Desarrolladores de robótica y automatización
- Equipos de ingeniería trabajando en sistemas de IA adaptativos y basados en agentes
Reseñas (3)
El instructor es paciente y muy útil. Conoce bien el tema.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Traducción Automática
Buena mezcla de conocimiento y práctica
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Traducción Automática
La mezcla de teoría y práctica, así como de perspectivas de alto y bajo nivel
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Traducción Automática
