Contacta con nosotros

Temario del curso

Introducción al Aprendizaje por Refuerzo

  • Panorama general sobre el AR y sus áreas de aplicación práctica
  • Diferencias fundamentales entre aprendizaje supervisado, no supervisado y por refuerzo
  • Elementos clave: agente, entorno, recompensas y políticas de comportamiento

Procesos de Decisión de Markov (PDM)

  • Explicación detallada sobre estados, acciones posibles, resultados de recompensas y transiciones del entorno
  • Funciones de valor y el fundamento matemático conocido como Ecuación de Bellman
  • Métodos de programación dinámica para resolver situaciones representadas mediante PDM

Algoritmos fundamentales del AR

  • Metodologías basadas en tablas: algoritmo Q-Learning y SARSA
  • Enfoques basados en políticas: algoritmo REINFORCE
  • Estructuras Actor-Critic, junto con sus posibilidades aplicativas concretas

Aprendizaje por Refuerzo Profundo

  • Explicación inicial sobre las Redes Q Profundas (DQN)
  • Uso del mecanismo de rejugado de experiencias y redes objetivo en implementaciones reales
  • Gradientes de política así como estrategias avanzadas dentro del AR profundo

Herramientas y frameworks propios al AR

  • Conocer OpenAI Gym, entre otros entornos adecuados para experimentación con AR
  • Desarrollo de modelos mediante bibliotecas PyTorch o TensorFlow en tareas de AR
  • Fases clave del ciclo de desarrollo: entrenamiento, pruebas exhaustivas y análisis comparativo de desempeño

Desafíos recurrentes al aplicar AR

  • Obtención del equilibrio ideal entre exploración activa del entorno y explotación eficiente de informaciones previamente obtenidas
  • Resolución de problemas relativos a recompensas esporádicas o asignación de méritos en contextos complejos
  • Exigencias computacionales y escalabilidad necesarias para aplicaciones AR reales

Actividades prácticas directas

  • Codificación desde cero de algoritmos tales como Q-Learning o SARSA
  • Entrenamiento práctico con una red DQN diseñada para interactuar en juegos sencillos mediante OpenAI Gym
  • Optimización detallada de modelos AR a fin de incrementar su eficacia en entornos propios del usuario

Resumen final y orientaciones para el futuro

Requerimientos

  • Conocimientos sólidos acerca de principios y algoritmos básicos del Aprendizaje Automático
  • Dominio en el uso del lenguaje de programación Python
  • Familiaridad con redes neuronales y marcos de trabajo destinados al aprendizaje profundo

Público objetivo

  • Ingenieros especialistas en Aprendizaje Automático
  • Profesionales expertos en Inteligencia Artificial
 14 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 2900 € + IVA*

Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales

Próximos cursos

Categorías Relacionadas