Agentes de Aprendizaje Usando Q-Learning: Teoría y Código - Curso de Agentes AI Conferencia 13

Resumen

Sumérgete en el aprendizaje Q para el aprendizaje por refuerzo con fundamentos teóricos y una implementación en Python. Domina los agentes de aprendizaje, las tablas Q, las estrategias epsilon-greedy y programa un entorno simple desde cero.

Programa de estudio

• Introducción al Aprendizaje por Refuerzo (RL)
Descripción general de los conceptos de RL
Componentes clave: agente, entorno, acciones, estados, recompensas
• Fundamentos del Q-Learning
Definición y propósito del Q-Learning en RL
La Ecuación de Bellman y actualizaciones de valores Q
Dilema de Exploración vs. Explotación
• La Tabla Q
Estructura y propósito de la tabla Q
Inicialización y representación de la tabla Q
Actualizaciones a la tabla Q basadas en acciones y recompensas
• Estrategia Epsilon-Greedy
Explicación de la estrategia epsilon-greedy para la exploración
Equilibrio entre exploración y explotación
Modulación del valor epsilon para la eficiencia del aprendizaje
• Implementación en Python
Configuración del entorno Python
Codificación de la tabla Q y mecanismo de actualización
Implementación de la selección de acciones epsilon-greedy
• Construcción de un Entorno Simple
Diseño de un entorno básico para un agente de aprendizaje
Definición del espacio de estados y del espacio de acciones
Estructura de recompensas y transiciones de estado
• Codificación de un Agente de Q-Learning
Integración de todos los componentes en un agente funcional
Ejecución de simulaciones y observación de la progresión del aprendizaje
• Aplicaciones Prácticas y Mejoras
Escalar a entornos más complejos
Introducción de variaciones como el Q-Learning con aproximación de funciones
• Conclusión y Lecturas Adicionales
Recapitulación de conceptos clave
Lecturas sugeridas y recursos para un aprendizaje avanzado

Asignaturas

Ciencias de la Computación