Contacta con nosotros

Temario del curso

Introducción al Aprendizaje por Refuerzo

  • Resumen del aprendizaje por refuerzo y sus aplicaciones
  • Diferencias entre aprendizaje supervisado, no supervisado y por refuerzo
  • Conceptos clave: agente, entorno, recompensas y política

Procesos de Decisión de Markov (MDP)

  • Comprensión de estados, acciones, recompensas y transiciones de estado
  • Funciones de valor y la Ecuación de Bellman
  • Programación dinámica para resolver MDP

Algoritmos Fundamentales de RL

  • Métodos tabulares: Q-Learning y SARSA
  • Métodos basados en políticas: algoritmo REINFORCE
  • Marcos de trabajo Actor-Critic y sus aplicaciones

Aprendizaje por Refuerzo Profundo

  • Introducción a las Redes Neuronales Profundas de Q-Learning (DQN, por sus siglas en inglés)
  • Memoria de experiencia y redes objetivo
  • Gradientes de política y métodos avanzados de RL profundo

Marcos de Trabajo y Herramientas de RL

  • Introducción a OpenAI Gym y otros entornos de RL
  • Uso de PyTorch o TensorFlow para el desarrollo de modelos de RL
  • Entrenamiento, pruebas y evaluación comparativa de agentes de RL

Desafíos en RL

  • Equilibrar la exploración y la explotación durante el entrenamiento
  • Manejar recompensas escasas y problemas de asignación de crédito
  • Escalabilidad y desafíos computacionales en RL

Actividades Prácticas

  • Implementación de los algoritmos Q-Learning y SARSA desde cero
  • Entrenamiento de un agente basado en DQN para jugar un juego simple en OpenAI Gym
  • Ajuste fino de modelos de RL para mejorar el rendimiento en entornos personalizados

Resumen y Próximos Pasos

Requerimientos

  • Sólida comprensión de los principios y algoritmos de aprendizaje automático
  • Competencia en programación con Python
  • Familiaridad con redes neuronales y marcos de aprendizaje profundo

Público Objetivo

  • Ingenieros de aprendizaje automático
  • Especialistas en IA
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas