Temario del curso
Introducción al aprendizaje por refuerzo y a la IA agente
- Toma de decisiones en condiciones de incertidumbre y planificación secuencial
- Componentes esenciales del AR: agentes, entornos, estados y recompensas
- El papel del AR en los sistemas de IA adaptativos y agente
Procesos de Decisión de Markov (PDM)
- Definición formal y propiedades fundamentales de los PDM
- Funciones de valor, ecuaciones de Bellman y programación dinámica
- Evaluación e iteración de políticas de decisión
Aprendizaje por refuerzo sin modelo
- Métodos Monte Carlo y de Diferencia Temporal (TD)
- Algoritmos Q-learning y SARSA
- Práctica: implementación de métodos AR tabulares en Python
Aprendizaje por refuerzo profundo
- Integración de redes neuronales con el AR para la aproximación funcional
- Redes Cuánticas Profundas (DQN) y mecanismos de almacenamiento de experiencias
- Arquitecturas Actor-Critic y gradientes de política
- Práctica: entrenamiento de agentes mediante DQN y PPO con Stable-Baselines3
Estrategias de exploración y modelado de recompensas
- Equilibrio entre exploración y explotación (métodos como ε-greedy, UCB o técnicas basadas en entropía)
- Diseño adecuado de funciones de recompensa para evitar comportamientos no deseados
- Técnicas de modelado progresivo de recompensas y aprendizaje por curriculums
Temas avanzados en AR y toma de decisiones
- Aprendizaje por refuerzo multiagente y estrategias cooperativas
- Enfoques jerárquicos y marcos de opciones en el AR
- Aplicaciones del AR fuera de línea y aprendizaje por imitación para implantaciones más seguras
Entornos de simulación y evaluación del rendimiento
- Uso de OpenAI Gym y diseño de entornos propios
- Diferencias entre espacios de acción continuos y discretos
- Indicadores para evaluar el desempeño, la estabilidad y la eficiencia del aprendizaje de los agentes
Integración del AR en sistemas de IA agente
- Fusión del razonamiento lógico con el AR en arquitecturas híbridas de agentes
- Combinación del aprendizaje por refuerzo con agentes capaces de utilizar herramientas externas
- Consideraciones prácticas para el escalado y la implementación industrial del AR
Proyecto final
- Diseño e implementación de un agente basado en AR para una tarea simulada
- Análisis del desempeño durante el entrenamiento y ajuste óptimo de los parámetros
- Demostración de comportamientos adaptativos y toma de decisiones inteligentes en un contexto agente
Resumen final y orientación futura
Requerimientos
- Dominio sólido del lenguaje de programación Python
- Comprensión profunda de los conceptos básicos del aprendizaje automático y el deep learning
- Conocimientos previos en álgebra lineal, teoría de la probabilidad y métodos básicos de optimización
Público objetivo
- Ingenieros especializados en aprendizaje por refuerzo e investigadores en IA aplicada
- Desarrolladores dedicados a la robótica y la automatización
- Equipos de ingeniería que trabajan en sistemas de IA adaptativos y agentes inteligentes
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 5800 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
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