Abrimos inscripciones

Síguenos en Facebook 

​


Programa agentes

​que aprendan 

de sus experiencias

​

Descarga: 

​Información Completa del Curso

DRL - Información Completa.pdf
File Size:	481 kb
File Type:	pdf

Descargar archivo

---

Taller "Deep Reinforcement Learning"
(Edición 2)

En este taller, crearás y entrenarás un agente neuronal profundo que controle una nave espacial, aprendiendo únicamente a través de la experiencia. Analizaremos algunos casos de estudio para entender los fundamentos del aprendizaje por refuerzo y concluiremos con Deep Q-Network, modelo que revolucionó el aprendizaje por refuerzo. Las etapas del taller son introductorias, qué es RL, gym, Q- learning, deep learning y DQN con el fin de que más personas se adentren al aprendizaje por refuerzo. Descarga las diapositivas, códigos y otros archivos del taller en el siguiente enlace (si está roto el enlace, reportalo). 

taller_dlr02.zip
File Size:	13559 kb
File Type:	zip

Descargar archivo

---

Beneficios

• Garantía: tienes las primeras 4 clases para solicitar devolución.
• Tienes acceso a las clases grabadas hasta 4 meses después de terminar el curso.
• Paga a 3 meses sin intereses por PayPal o puedes pagar a plazos con nosotros. Pregunta a Claudia. 
• Reconocimiento digital ante la Secretaría del Trabajo (STPS-México)
• Puedes reservar con solo 499 pesos mexicanos (25 USD), y luego pagar el resto, para completar el precio al que reservaste. 
• Nuestros estudiantes en el extranjero (Colombia, Ecuador, Perú principalmente)  pueden pagar mediante Paypal. Contacta a Claudia.

Inicio y fin del curso

• Martes 17 de mayo 2022 
• Jueves 30 de junio 2022 

Horarios
42 horas, 6 horas la semana (Horario de la Ciudad de México)

• Martes de 19 a 22hrs
• Jueves de 19 a 22hrs

(RESERVA) Deep Reinforcement Learning

MX$499.00

Agotado

Añade al carrito

En venta

En venta

Deep Reinforcement Learning

MX$4,299.00 MX$3,999.00

Agotado

Añade al carrito

Objetivo del curso

Aprender a programar y entrenar agentes neuronales profundos para resolver tareas secuenciales complejas a través de la experiencia, optimizando un esquema de recompensas. 

Casos de Estudio

• Controlar un brazo robótico en un simulador.  
  
• Jugar Super Mario Bros (de Super Nintendo) a partir de la imagen del videojuego.
  
• Controlar una nave espacial para que aterrice de forma perfecta.
  
• Jugar ATARI.
  
• Estacionar un auto en un simulador
  
• Controlar inventario de una tienda.
  
• Maximizar ventas en un sitio web personalizando la publicidad a cada cliente.
  
• Clasificar prendas de vestir.
  
• Resolver problemas de control clásico como balanceo de péndulos y otros sistemas físicos.
  
• Resolver problemas en ambientes GridWorld (casos de estudio sencillos y didácticos) para aprender los fundamentos de aprendizaje reforzado.
  

Herramientas a aprender a usar: TensorFlow2, OpenAI GYM, Keras-RL2, Jupyter.​

Contenido resumido del curso

1. Introducción al aprendizaje por refuerzo
2. Fundamentos
3. Algoritmos de bandidos
4. Procesos de decisión de Markov, programación dinámica y métodos Montecarlo
5. Métodos tabulares
6. Function Approximation
7. Deep Learning
8. Deep Q-Networks
9. Métodos Policy Gradient
10. Métodos Actor Critic
11. Más allá de los métodos Actor Critic
12. Consejos, trucos, conclusiones y futuro.