Your cart is empty.
Keep shoppingReinforcement Learning Avanzado: de DQN a SAC
Highest Rated
121 students
Reinforcement Learning Avanzado: de DQN a SAC
Crea agentes inteligentes con Deep Reinforcement Learning y PyTorch: DDPG, TD3, SAC, NAF, HER.
Created byJavier Ventajas
Last updated 5/2025
Spanish
What you'll learn
- Dominar algunos de los algoritmos más avanzados del Reinforcement Learning
- Aprende a crear inteligencias artificiales que puedan actuar en un entorno complejo para alcanzar sus objetivos.
- Crea desde cero agentes avanzados de Aprendizaje por Reforzamiento utilizando las herramientas más populares de Python (PyTorch Lightning, Gym, Brax, Optuna)
- Aprende a realizar ajuste de hiperparámetros (selección de las mejores condiciones experimentales para que nuestra inteligencia artificial aprenda).
- Comprende fundamentalmente el proceso de aprendizaje de cada algoritmo.
- Depurar y extender los algoritmos presentados.
- Comprende e implementa nuevos algoritmos a partir de artículos de investigación.
Explore related topics
Course content
14 sections • 121 lectures • 7h 57m total length
Requirements
- Conocer las bases de la programación en Python
- Completar nuestro curso "Reinforcement Learning de principiante a maestro" o estar familiarizado con los conceptos básicos del Aprendizaje por Reforzamiento (o ver las secciones introductorias incluidas en este curso).
- Conocer estadísticas básicas (media, varianza, distribución normal).
Description
Este es el curso más completo de Aprendizaje por Reforzamiento Avanzado en Udemy. En él, aprenderás a implementar algunos de los algoritmos de Deep Reinforcement Learning más potentes en Python utilizando PyTorch y PyTorch Lightning. Implementarás desde cero algoritmos adaptativos que resuelven tareas de control basadas en la experiencia. Aprenderás a combinar estas técnicas con Redes Neuronales y métodos de Aprendizaje Profundo para crear agentes de Inteligencia Artificial adaptativos capaces de resolver tareas de toma de decisiones.
Este curso te introducirá al estado del arte en técnicas de Reinforcement Learning. También te preparará para los próximos cursos de esta serie, donde exploraremos otros métodos avanzados que sobresalen en otros tipos de tareas.
El curso se centra en el desarrollo de habilidades prácticas. Por lo tanto, después de aprender los conceptos más importantes de cada familia de métodos, implementaremos uno o más de sus algoritmos en cuadernos Jupyter, desde cero.
Módulos de nivelación:
- Repaso: El proceso de decisión de Markov (MDP).
- Repaso: Q-Learning.
- Repaso: Breve introducción a las Redes Neuronales.
- Repaso: Deep Q-Learning.
- Repaso: Métodos de gradiente de políticas.
Deep Reinforcement Learning:
- PyTorch Lightning.
- Ajuste de hiperparámetros con Optuna.
- Deep Q-Learning para espacios de acción continuos (Función de ventaja normalizada - NAF).
- Deep Deterministic Policy Gradient (DDPG).
- Twin Delayed DDPG (TD3).
- Soft Actor-Critic (SAC).
- Repetición de Experiencia con Perspectiva (HER).
Who this course is for:
- Desarrolladores que deseen conseguir un empleo en el campo del Machine Learning.
- Científicos/analistas de datos y profesionales del Machine Learning que buscan ampliar sus conocimiento.
- Estudiantes e investigadores de robótica.
- Estudiantes e investigadores de ingeniería.