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 estados
- Funciones de valor y la Ecuación de Bellman
- Programación dinámica para resolver MDPs
Algoritmos fundamentales de RL
- Métodos tabulares: Q-Learning y SARSA
- Métodos basados en políticas: algoritmo REINFORCE
- Marcos Actor-Critic y sus aplicaciones
Aprendizaje por refuerzo profundo
- Introducción a Deep Q-Networks (DQN)
- Reproducción de experiencias 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 benchmarking de agentes de RL
Desafíos en RL
- Equilibrio entre exploración y explotación durante el entrenamiento
- Gestión de recompensas escasas y problemas de atribución 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 conocimiento de los principios y algoritmos de aprendizaje automático
- Dominio 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
