Ponte en Contacto
 Duración 21 horas

Temario del curso

Introducción al aprendizaje de robots

  • Visión general del aprendizaje automático en robótica
  • Aprendizaje supervisado vs. no supervisado vs. por refuerzo
  • Aplicaciones del RL en control, navegación y manipulación

Fundamentos del aprendizaje por refuerzo

  • Procesos de decisión de Markov (MDP)
  • Funciones de política, valor y recompensa
  • Compromisos entre exploración y explotación

Algoritmos clásicos de RL

  • Q-learning y SARSA
  • Métodos de Monte Carlo y de diferencia temporal
  • Iteración de valor e iteración de política

Técnicas de aprendizaje por refuerzo profundo

  • Combinares de aprendizaje profundo con RL (Deep Q-Networks)
  • Métodos de gradiente de política
  • Algoritmos avanzados: A3C, DDPG y PPO

Entornos de simulación para el aprendizaje de robots

  • Uso de OpenAI Gym y ROS 2 para la simulación
  • Creación de entornos personalizados para tareas robóticas
  • Evaluación del rendimiento y la estabilidad del entrenamiento

Aplicación del RL a la robótica

  • Aprendizaje de políticas de control y movimiento
  • Aprendizaje por refuerzo para manipulación robótica
  • Aprendizaje por refuerzo multiagente en robótica en enjambre

Optimización, despliegue e integración en el mundo real

  • Ajuste de hiperparámetros y modelado de recompensas
  • Transferencia de políticas aprendidas de la simulación a la realidad (Sim2Real)
  • Despliegue de modelos entrenados en hardware robótico

Resumen y próximos pasos

Requerimientos

  • Conocimiento de conceptos de aprendizaje automático
  • Experiencia en programación con Python
  • Familiaridad con robótica y sistemas de control

Público objetivo

  • Ingenieros de aprendizaje automático
  • Investigadores en robótica
  • Desarrolladores de sistemas robóticos inteligentes

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas