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
- Vista 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 RL fundamentales
- Métodos tabulares: Q-Learning y SARSA
- Métodos basados en políticas: algoritmo REINFORCE
- Marcos Actor-Critic y sus aplicaciones
Aprendizaje por refuerzo profundo
- Introducción a las Deep Q-Networks (DQN)
- Reproducción de experiencia y redes objetivo
- Gradientes de política y métodos avanzados de RL profundo
Marcos de trabajo y herramientas RL
- Introducción a OpenAI Gym y otros entornos RL
- Uso de PyTorch o TensorFlow para el desarrollo de modelos RL
- Entrenamiento, pruebas y evaluación de rendimiento (benchmarking) de agentes RL
Desafíos en RL
- Equilibrio entre exploración y explotación durante el entrenamiento
- Manejo de recompensas escasas y problemas de asignación de mérito (credit assignment)
- 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 RL para mejorar el rendimiento en entornos personalizados
Resumen y siguientes pasos
Requerimientos
- Sólido conocimiento de los principios y algoritmos de machine learning
- Dominio de la programación en Python
- Familiaridad con redes neuronales y marcos de deep learning
Público objetivo
- Ingenieros de machine learning
- Especialistas en IA
14 Horas
