Programa del Curso

Introducción a Reinforcement Learning

  • Visión general del aprendizaje por refuerzo y sus aplicaciones
  • Diferencias entre aprendizaje supervisado, no supervisado y de refuerzo
  • Conceptos clave: agente, entorno, recompensas y política

Procesos de decisión de Markov (MDP)

  • Descripción de los estados, las acciones, las recompensas y las transiciones de estado
  • Funciones de valor y la ecuación de Bellman
  • Programación dinámica para la resolución de MDPs

Algoritmos principales de RL

  • Métodos tabulares: Q-Learning y SARSA
  • Métodos basados en políticas: algoritmo REINFORCEMENT
  • Frameworks de Actores-Críticos y sus aplicaciones

Profundo Reinforcement Learning

  • Introducción a las redes Q profundas (DQN)
  • Experimenta la reproducción y las redes de destino
  • Gradientes de políticas y métodos avanzados de RL profundo

Frameworks y herramientas de RL

  • Introducción a OpenAI Gimnasio y otros entornos de RL
  • Uso de PyTorch o TensorFlow para el desarrollo de modelos RL
  • Formación, pruebas y evaluación comparativa de agentes de RL

Desafíos en RL

  • Equilibrio entre la exploración y la explotación en la formación
  • Lidiar con recompensas escasas y problemas de asignación de créditos
  • ScalaDesafíos computacionales y de bilidad en RL

Manos a la obra Activities

  • Implementación de algoritmos Q-Learning y SARSA desde cero
  • Entrenando a un agente basado en DQN para jugar un juego sencillo en OpenAI Gimnasio
  • Ajuste fino de los modelos RL para mejorar el rendimiento en entornos personalizados

Resumen y próximos pasos

Requerimientos

  • Sólida comprensión de los principios y algoritmos de aprendizaje automático
  • Competencia en Python programación
  • Familiaridad con las redes neuronales y los marcos de aprendizaje profundo

Audiencia

  • Ingenieros de aprendizaje automático
  • Especialistas en IA
 14 Horas

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas