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 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 MDPs
Algoritmos de RL Principales
- Métodos tabulares: Q-Learning y SARSA
- Métodos basados en política: algoritmo REINFORCE
- Marcos Actor-Critic y sus aplicaciones
Aprendizaje Profundo por Refuerzo
- Introducción a las Deep Q-Networks (DQN)
- Reproducción de experiencias y redes objetivo
- Gradientes de política y métodos avanzados de RL profundo
Marco 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 benchmarks de agentes de RL
Desafíos en RL
- Equilibrio entre exploración y explotación en el entrenamiento
- Manejo de recompensas escasas y problemas de atribución 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
- Sólido conocimiento de los principios y algoritmos de aprendizaje automático
- Progresión en programación en Python
- Familiaridad con redes neuronales y marcos de trabajo de aprendizaje profundo
Audiencia
- Ingenieros de aprendizaje automático
- Especialistas en IA
14 Horas
