Ponte en Contacto

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 (MDPs)

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

Algoritmos centrales de RL

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

Aprendizaje por Refuerzo Profundo

  • Introducción a Deep Q-Networks (DQN)
  • Reproducción de experiencias (Experience replay) 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 medición de rendimiento (benchmarking) de agentes de RL

Desafíos en RL

  • Equilibrio entre exploración y explotación en el entrenamiento
  • Gestión de recompensas dispersas y problemas de asignación de crédito
  • Escalaridad y desafíos computacionales en RL

Actividades prácticas

  • Implementación de 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
  • Domino del lenguaje de programación Python
  • Familiaridad con redes neuronales y marcos de trabajo de aprendizaje profundo

Público objetivo

  • Ingenieros de aprendizaje automático
  • Especialistas en IA
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas