Temario del curso
Introducción al Aprendizaje por Refuerzo y la IA Agéntica
- 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 agénticos
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 sin Modelo
- Aprendizaje Monte Carlo y Temporal-Difference (TD)
- Aprendizaje Q (Q-learning) y SARSA
- Práctico: Implementación de métodos tabulares de RL en Python
Aprendizaje por Refuerzo Profundo
- Combinación de redes neuronales con RL para la aproximación de funciones
- Redes Q Profundas (DQN) y reproducción de experiencias
- Arquitecturas Actor-Crítico y gradientes de política
- Práctico: Entrenamiento de un agente usando DQN y PPO con Stable-Baselines3
Estrategias de Exploración y Moldeado de Recompensas
- Equilibrar la exploración frente a la explotación (ε-greedy, UCB, métodos de entropía)
- Diseño de funciones de recompensa y evitar comportamientos no deseados
- Moldeado de recompensas y aprendizaje curricular
Temas Avanzados en RL y Toma de Decisiones
- Aprendizaje por refuerzo multiagente y estrategias cooperativas
- Aprendizaje por refuerzo jerárquico y marco de opciones
- RL offline y aprendizaje por imitación para una implementación más segura
Entornos de Simulación y Evaluación
- Uso de OpenAI Gym y entornos personalizados
- Espacios de acciones continuos frente a discretos
- Métricas para el rendimiento, la estabilidad y la eficiencia de muestreo del agente
Integración del RL en Sistemas de IA Agénticos
- Combinación del razonamiento y el RL en arquitecturas híbridas de agentes
- Integración del aprendizaje por refuerzo con agentes que utilizan herramientas
- Consideraciones operativas para la escalabilidad y la implementación
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 del comportamiento adaptativo y la toma de decisiones en un contexto agéntico
Resumen y Próximos Pasos
Requerimientos
- Sólida competencia en programación con Python
- Comprensión sólida de los conceptos de aprendizaje automático y aprendizaje profundo
- Conocimiento de álgebra lineal, probabilidad y métodos básicos de optimización
Público Objetivo
- Ingenieros de aprendizaje por refuerzo e investigadores de IA aplicada
- Desarrolladores de robótica y automatización
- Equipos de ingeniería que trabajan en sistemas de IA adaptativos y agénticos
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
