Fundamentos de Q-Learning en Aprendizaje por Refuerzo

El aprendizaje por refuerzo está impulsando algunos de los avances más emocionantes en la inteligencia artificial moderna, pero empezar puede resultar abrumador. Este curso desglosa los conceptos centrales del Q-learning, haciendo que los fundamentos matemáticos y la lógica algorítmica sean accesibles para todos. Pasarás de tener cero conocimiento de aprendizaje por refuerzo a comprender con confianza cómo los agentes aprenden de sus entornos, actualizan sus funciones de valor de acción y toman decisiones óptimas. Lo que aprenderás: * Comprender los conceptos fundamentales de los Procesos de Decisión de Markov, estados, acciones y recompensas; * Formular la Ecuación de Bellman para calcular funciones óptimas de valor de acción paso a paso; * Implementar el algoritmo clásico de Q-learning para resolver problemas de navegación en mundos de cuadrícula; * Equilibrar la exploración y la explotación utilizando la estrategia epsilon-greedy; * Explorar avances modernos como las Redes Q Profundas (Deep Q-Networks) y transicionar a entornos de entrenamiento modernos como Gymnasium; * Analizar el rendimiento del agente y depurar curvas de aprendizaje a través de ejercicios escritos estructurados. El curso comienza con la terminología esencial y el marco conceptual del aprendizaje por refuerzo antes de guiarte a través de la mecánica de la tabla Q, las actualizaciones de políticas y las adaptaciones modernas del aprendizaje profundo por refuerzo. Diseñado específicamente para principiantes, este curso solo requiere conceptos básicos de programación y matemáticas elementales para comenzar. Comienza tu viaje en el aprendizaje por refuerzo y construye una base sólida en Q-learning hoy mismo.