Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al aprendizaje por refuerzo
- Visión general del aprendizaje por refuerzo y sus aplicaciones.
- Diferencias entre el 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 la resolución de MDP.
Algoritmos fundamentales de RL
- Métodos tabulares: Q-Learning y SARSA.
- Métodos basados en políticas: algoritmo REINFORCE.
- Marcos de Actor-Crítico y sus aplicaciones.
Aprendizaje por refuerzo profundo
- Introducción a las Redes Neuronales Profundas Q (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 evaluación de rendimiento de agentes de RL.
Desafíos en RL
- Equilibrar la exploración y la explotación durante el entrenamiento.
- Gestionar recompensas dispersas y problemas de asignación de crédito.
- Escalabilidad 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 sencillo en OpenAI Gym.
- Ajuste fino de modelos de RL para mejorar el rendimiento en entornos personalizados.
Resumen y próximos pasos
Requerimientos
- Sólido entendimiento de los principios y algoritmos del aprendizaje automático.
- Domino de la programación en Python.
- Familiaridad con las redes neuronales y los marcos de trabajo de aprendizaje profundo.
Público objetivo
- Ingenieros de aprendizaje automático.
- Especialistas en IA.
14 Horas
