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 la resolución de MDPs
Algoritmos fundamentales de RL
- Métodos tabulares: Q-Learning y SARSA
- Métodos basados en políticas: algoritmo REINFORCE
- Marcos de Actor-Critic y sus aplicaciones
Aprendizaje por refuerzo profundo
- Introducción a Deep Q-Networks (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, prueba y evaluación de agentes de RL
Desafíos en RL
- Equilibrar la exploración y la explotación durante el entrenamiento
- Gestión de recompensas escasas y problemas de asignación de crédito
- Escala 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
- Competencia en programación con Python
- Familiaridad con redes neuronales y marcos de trabajo de aprendizaje profundo
Público objetivo
- Ingenieros de aprendizaje automático
- Especialistas en IA
14 Horas
