Solicitar información

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
 28 Horas

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.
Inversión

Precio por grupo privado (formación online) desde 5800 € + IVA*

Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales

Reseñas (3)

Próximos cursos

Categorías Relacionadas