18 lecciones • 4 horas
Curso teórico donde aprenderás los conceptos básicos del Aprendizaje por Refuerzo, así como los elementos matemáticos fundamentales de los Procesos de Decisión de Markov.
Al final de este curso habrás aprendido
- Qué es el Aprendizaje por Refuerzo y cómo se diferencia de otros campos de la Inteligencia Artificial
- Cuál es la historia, la evolución y los componentes del Aprendizaje por Refuerzo
- A representar problemas de toma de decisiones secuenciales usando los Procesos de Decisión de Markov
- A crear entornos de Aprendizaje por Refuerzo para agentes usando los Procesos de Decisión de Markov
- Las características generales de los principales enfoques usados en la solución de problemas de Aprendizaje por Refuerzo
Requisitos
Conocimientos básicos de Álgebra Lineal y Probabilidad y Estadística
Contenido
MÓDULO 1: INTRODUCCIÓN AL APRENDIZAJE POR REFUERZO
1 – ¿Qué es el Aprendizaje Reforzado o por Refuerzo?
2 – Ejemplos reales de aplicación del Aprendizaje por Refuerzo
3 – Historia y evolución del Aprendizaje por Refuerzo
4 – Componentes de un sistema de Aprendizaje por Refuerzo
MÓDULO 2: LAS BASES DEL APRENDIZAJE POR REFUERZO
5 – Introducción a los Procesos de Decisión de Markov
6 – Procesos de Decisión de Markov: un tablero unidimensional
7 – Procesos de Decisión de Markov: el tablero unidimensional estocástico
8 – El tablero bidimensional estocástico: entorno y reglas del juego
9 – El tablero bidimensional estocástico: los estados y la propiedad de Markov
10 – El tablero bidimensional estocástico: las acciones
11 – El tablero bidimensional estocástico: función de transición y recompensa
12 – El tablero bidimensional estocástico: el horizonte
13 – El tablero bidimensional estocástico: el descuento
MÓDULO 3: LAS CARACTERÍSTICAS DEL AGENTE
18 – Las ecuaciones de Bellman
