Temario del curso
Introducción al aprendizaje por refuerzo y a la IA agénica
- Toma de decisiones bajo incertidumbre y planificación secuencial
- Componentes clave del RL: agentes, entornos, estados y recompensas
- El papel del RL en sistemas de IA adaptativa y agénica
Procesos de decisión de Markov (MDP)
- Definición formal y propiedades de los MDPs
- Funciones de valor, ecuaciones de Bellman y programación dinámica
- Evaluación de políticas, mejora e iteración
Aprendizaje por refuerzo sin modelo (Model-Free)
- Aprendizaje Monte Carlo y Diferencia Temporal (TD)
- Q-learning y SARSA
- Práctica: implementación de métodos de RL tabular en Python
Aprendizaje por refuerzo profundo (Deep Reinforcement Learning)
- Combinación de redes neuronales con RL para aproximación de funciones
- Deep Q-Networks (DQN) y replay de experiencias
- Arquitecturas Actor-Crítico y gradientes de política
- Práctica: entrenamiento de un agente utilizando DQN y PPO con Stable-Baselines3
Estrategias de exploración y conformación de recompensas
- Equilibrio entre exploración y explotación (exploración ε-greedy, UCB, métodos de entropía)
- Diseño de funciones de recompensa y prevención de comportamientos no deseados
- Conformación de recompensas y aprendizaje por currículo
Temas avanzados en RL y toma de decisiones
- Aprendizaje por refuerzo multiagente y estrategias cooperativas
- Aprendizaje por refuerzo jerárquico y marco de opciones (options framework)
- RL fuera de línea y aprendizaje por imitación para despliegues más seguros
Entornos de simulación y evaluación
- Uso de OpenAI Gym y entornos personalizados
- Espacios de acción continuos frente a discretos
- Métricas de rendimiento del agente, estabilidad y eficiencia en el muestreo
Integración del RL en sistemas de IA agénica
- Combinación de razonamiento y RL en arquitecturas de agentes híbridos
- Integración del aprendizaje por refuerzo con agentes que utilizan herramientas
- Consideraciones operativas para la escalabilidad y el despliegue
Proyecto final
- Diseñar e implementar un agente de aprendizaje por refuerzo para una tarea simulada
- Analizar el rendimiento del entrenamiento y optimizar los hiperparámetros
- Demostrar comportamiento adaptativo y toma de decisiones en un contexto agénico
Resumen y próximos pasos
Requerimientos
- Sólida competencia en programación con Python
- Conocimiento firme de conceptos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning)
- Familiaridad con álgebra lineal, probabilidad y métodos básicos de optimización
Público objetivo
- Ingenieros de aprendizaje por refuerzo e investigadores en IA aplicada
- Desarrolladores de robótica y automatización
- Equipos de ingeniería que trabajan en sistemas de IA adaptativa y agénica
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
