Una guía completa de Deep Q-Learning, Policy Gradient, Actor-Critic y DDPG con PyTorch.
El Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning) es una de las ramas más avanzadas de la Inteligencia Artificial y la base de sistemas capaces de aprender a tomar decisiones complejas de forma autónoma. En este curso aprenderás desde los fundamentos hasta la implementación de Twin Delayed Deep Deterministic Policy Gradient (TD3), uno de los algoritmos más potentes para entornos de control continuo, utilizando Python, PyTorch y Google Colab.
Comenzaremos construyendo una base sólida en los conceptos esenciales del Reinforcement Learning. Entenderás cómo funcionan Q-Learning, Deep Q-Learning (DQN), Policy Gradient y Actor-Critic, descubriendo cuándo utilizar cada técnica y cómo evolucionan hasta dar lugar a algoritmos de última generación como TD3. Todo ello explicado con un enfoque visual, intuitivo y orientado a la práctica.
Una vez dominados los fundamentos, profundizaremos en la teoría detrás de Twin Delayed DDPG (TD3). Analizarás paso a paso cómo interactúan el actor y el crítico, por qué el doble crítico mejora la estabilidad del entrenamiento y cómo las diferentes estrategias del algoritmo permiten obtener un aprendizaje más robusto y eficiente en problemas complejos de control.
Finalmente, implementarás TD3 desde cero con PyTorch, desarrollando cada componente mediante ejercicios prácticos y sesiones de programación guiadas. Entrenarás agentes inteligentes en simulaciones avanzadas, como humanoides y robots cuadrúpedos capaces de aprender a caminar y correr de forma autónoma. Además, trabajarás completamente en Google Colab, sin necesidad de instalar software ni configurar entornos, para que puedas centrarte únicamente en aprender y construir modelos de Inteligencia Artificial de alto nivel.
Comprende los fundamentos del aprendizaje por refuerzo y cómo un agente aprende a tomar decisiones mediante recompensas.
Aprende a combinar redes neuronales con Q-Learning para resolver problemas de mayor complejidad.
Descubre cómo entrenar agentes optimizando directamente sus políticas de actuación en distintos entornos.
Conoce cómo colaboran el actor y el crítico para lograr un aprendizaje más estable y eficiente.
Explora el algoritmo Deep Deterministic Policy Gradient para resolver problemas de control continuo.
Aprende uno de los algoritmos más avanzados del Aprendizaje por Refuerzo Profundo y comprende por qué mejora el rendimiento de DDPG.
Desarrolla cada componente de los modelos paso a paso utilizando Python, PyTorch y ejercicios prácticos.
Construye agentes capaces de aprender tareas complejas, como controlar humanoides y robots cuadrúpedos en simulaciones.
Adquiere las habilidades necesarias para comprender, implementar y adaptar algoritmos modernos de Aprendizaje por Refuerzo Profundo en proyectos reales.
Ligency Teamは、プログラミング、人工知能、データサイエンス、テクノロジーの専門家からなる国際的なチームであり、これらの分野で世界最高峰の人気コースを手がけるキリル・エレメンコ（Kirill Eremenko）とハデリン・デ・ポンテヴェス（Hadelin de Pontevés）によって設立されました。数百万人の受講生と20名以上の多分野にわたる専門家チームを擁し、私たちのミッションは、あらゆるレベルの人々が関連するテクノロジー・スキルを習得できるよう、実践的で高品質なトレーニングを提供することです。2018年からは、Juan Gabriel GomilaおよびFrogames Formaciónとの協力により、スペイン語でのコース提供を開始し、スペイン語圏のコミュニティに最高の教育コンテンツをお届けしています。
数学者であり、Unity認定インストラクター、そしてUdemyやPlatziなどのさまざまなプラットフォームで世界中の60万人以上の学生を指導してきたオンラインインストラクター。Frogames FormaciónのCEOであり、このプラットフォームの推進者として、数学、機械学習、ゲーム開発、AI、ブロックチェーンなどの分野で自身の持つすべての知識を提供している。
一度購入すれば無期限でアクセス可能
Frogamesのすべてのコース、コミュニティ、特典にアクセス
すべてのコースにアクセスするパス：
