Temario del curso
Introducción al aprendizaje por refuerzo y la IA agentiva
- Toma de decisiones bajo incertidumbre y planificación secuencial
- Componentes clave del RL: agentes, entornos, estados y recompensas
- El papel del RL en los sistemas de IA adaptativos y agentivos
Procesos de Decisión de Markov (MDP)
- Definición formal y propiedades de los MDP
- Funciones de valor, ecuaciones de Bellman y programación dinámica
- Evaluación, mejora e iteración de políticas
Aprendizaje por refuerzo libre de modelo
- Aprendizaje Monte Carlo y de Diferencia Temporal (TD)
- Aprendizaje Q y SARSA
- Práctica: implementación de métodos de RL tabulares en Python
Aprendizaje por refuerzo profundo
- Combinación de redes neuronales con RL para la aproximación de funciones
- Redes Q Profundas (DQN) y repetición de experiencia
- Arquitecturas Actor-Crítico y gradientes de política
- Práctica: entrenamiento de un agente usando DQN y PPO con Stable-Baselines3
Estrategias de exploración y formación de recompensas
- Equilibrio entre exploración y explotación (ε-greedy, UCB, métodos de entropía)
- Diseño de funciones de recompensa y evitar comportamientos no deseados
- Formación de recompensas y aprendizaje por currículo
Temas avanzados en RL y toma de decisiones
- Aprendizaje por refuerzo multi-agente y estrategias cooperativas
- Aprendizaje por refuerzo jerárquico y marco de opciones
- RL offline y aprendizaje por imitación para un despliegue más seguro
Entornos de simulación y evaluación
- Uso de OpenAI Gym y entornos personalizados
- Espacios de acción continuos frente a discretos
- Métricas para el rendimiento, la estabilidad y la eficiencia de muestreo del agente
Integración del RL en sistemas de IA agentiva
- Combinación del razonamiento y el RL en arquitecturas de agentes híbridos
- Integración del aprendizaje por refuerzo con agentes que utilizan herramientas
- Consideraciones operativas para la escalabilidad y el despliegue
Proyecto final
- Diseño e implementación de un agente de aprendizaje por refuerzo para una tarea simulada
- Análisis del rendimiento del entrenamiento y optimización de hiperparámetros
- Demostración de comportamiento adaptativo y toma de decisiones en un contexto agentivo
Resumen y próximos pasos
Requerimientos
- Sólida competencia en programación con Python
- Comprensión firme de conceptos de aprendizaje automático y aprendizaje profundo
- Familiaridad con álgebra lineal, probabilidad y métodos básicos de optimización
Público objetivo
- Ingenieros de aprendizaje por refuerzo e investigadores aplicados de IA
- Desarrolladores de robótica y automatización
- Equipos de ingeniería que trabajan en sistemas de IA adaptativos y agentivos
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
