Ponte en Contacto
 Duración 21 horas

Temario del curso

Introducción al Aprendizaje de Robots

  • Visión general del machine learning en robótica
  • Aprendizaje supervisado vs no supervisado vs reforzado
  • Aplicaciones del RL en control, navegación y manipulación

Fundamentos del Aprendizaje Reforzado

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

Algoritmos Clásicos de RL

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

Técnicas de Aprendizaje Reforzado Profundo

  • Combinación de deep learning 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 simulación
  • Creación de entornos personalizados para tareas robóticas
  • Evaluación del rendimiento y la estabilidad del entrenamiento

Aplicación del RL en Robótica

  • Aprendizaje de políticas de control y movimiento
  • Aprendizaje reforzado para la manipulación robótica
  • Aprendizaje reforzado multiagente en robótica de enjambres

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

  • Comprensión de los conceptos de machine learning
  • Experiencia en programación con Python
  • Conocimiento de robótica y sistemas de control

Audiencia

  • Ingenieros de machine learning
  • Investigadores en robótica
  • Desarrolladores que construyen sistemas robóticos inteligentes

Número de participantes


Precio por participante

Reseñas (2)

Próximos cursos

Categorías Relacionadas