Fundamentos del aprendizaje por refuerzo y la toma de decisiones

El aprendizaje por refuerzo proporciona el marco matemático para entrenar agentes para maximizar las recompensas a través de pruebas y errores, y el aprendizaje automático proporciona la base para la inteligencia artificial. En este curso de base, explorará la mecánica de la toma de decisiones secuenciales, comenzando con los principios básicos de la teoría de la utilidad y avanzando hacia la construcción de algoritmos que permitan a los agentes inteligentes aprender de sus entornos, equilibrando la exploración con la explotación. Lo que aprenderás: • Comprender la terminología básica, la teoría de utilidad y cómo modelar las preferencias de la máquina. • Resuelve desafíos de decisión simple usando estrategias de bandido multi-armado. • Modelar entornos complejos utilizando procesos de decisión de Markov finitos (MDPs). • Aplicar técnicas de programación dinámica para evaluar y mejorar las políticas de decisión. • Practicar la estructuración de algoritmos fundamentales utilizando entornos de simulación Python modernos. • Explora los conceptos básicos que unen los métodos tabulares clásicos con el aprendizaje profundo de refuerzo moderno. El plan de estudios fluye desde definiciones fundamentales y modelos matemáticos hasta el diseño práctico de algoritmos.Leerá explicaciones escritas paso a paso y estudiará fragmentos de código claros que traducen teorías abstractas en lógica de trabajo. Este curso está diseñado para principiantes en inteligencia artificial; no se requiere experiencia previa de aprendizaje de refuerzo. Comience su viaje hacia la toma de decisiones inteligentes hoy mismo y construya las bases para el desarrollo de IA moderno.