Curso de Aprendizaje por Refuerzo: Fundamentos y Aplicaciones
- Duración
- 6 semanas
- Modalidad
- A distancia
- Sede
- Capital Federal
Curso de actualización que introduce el Aprendizaje por Refuerzo (Reinforcement Learning, RL), el paradigma en el que un agente computacional aprende a tomar decisiones óptimas a partir de la interacción con su entorno y de un sistema de recompensas. Combina fundamentos teóricos con implementación práctica en Python.
Contenidos
Se estudian los Procesos de Decisión de Markov (MDP), las políticas estocásticas y determinísticas, las funciones de valor y la ecuación de Bellman; los métodos de predicción por Monte Carlo y por diferencias temporales; el problema de exploración versus explotación; y los algoritmos de control SARSA y Q-Learning, comparados en GridWorld y CartPole. La última unidad presenta el RL profundo con Deep Q-Networks, los métodos de gradiente de política REINFORCE y PPO y las arquitecturas actor-crítico.
Aplicaciones
El curso repasa aplicaciones en robótica, finanzas, logística, videojuegos y sistemas de recomendación —de AlphaGo a los recomendadores—, junto con los desafíos actuales de seguridad, interpretabilidad y transferencia de conocimiento. Se trabaja con Gymnasium y Stable Baselines3.
Plan de estudios
- Introducción y conceptos fundamentales
- Métodos de evaluación y predicción
- Algoritmos de control on-policy y off-policy
- Introducción al RL profundo y perspectivas contemporáneas
Requisitos de admisión
Graduados o profesionales del campo de la ciencia de datos, la estadística, la economía, la ingeniería, la computación o áreas afines.