Módulo 5 · Fundamentos

Aprendizaje por refuerzo

Agentes que aprenden de la experiencia: de los MDP a PPO, la base del RLHF de los LLMs.

Qué vas a aprender

1. Estados, acciones y recompensas (MDP) · Teoría · ~45 min
2. Programación dinámica · Práctica · ~75 min
3. Aprender de episodios: Monte Carlo · Práctica · ~75 min
4. Q-Learning y SARSA · Práctica · ~75 min
5. Redes Q profundas (DQN) · Práctica · ~75 min
6. Gradiente de política con REINFORCE · Práctica · ~75 min
7. Métodos actor-crítico · Práctica · ~75 min
8. PPO, el algoritmo de cabecera · Práctica · ~75 min
9. Modelos de recompensa y RLHF · Práctica · ~45 min
10. Refuerzo con varios agentes · Práctica · ~45 min
11. De la simulación al mundo real · Teoría · ~45 min
12. RL en juegos: de AlphaZero al razonamiento de los LLMs · Práctica · ~120 min