A21. Aprendizaje por refuerzo
102483
2024-25
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
En esta materia se pretende profundizar en la resolución de problemas de toma
de decisión secuencial, en concreto, en aquellos basados en Procesos de
Decisión de Markov. Se estudian en profundidad los principales algoritmos de
aprendizaje, así como su aplicación en distintas circunstancias, como ante
espacios de espacios continuos o de gran tamaño. Contenidos:
Introducción al Aprendizaje por Refuerzo
Procesos de Decisión de Markov (MDP). Programación Dinámica. Algoritmos de
iteración de valor e iteración de política.
Aprendizaje por refuerzo libre de modelo. Aproximaciones Monte Carlo,
Algoritmos Q-Learning, Sarsa y métodos TD
Exploración, y explotación. Selección de experiencias de entrenamiento
Aprendizaje por refuerzo basado en modelo.
Generalización en aprendizaje por refuerzo. Reducción de dimensionalidad y
aproximación de funciones en Aprendizaje por Refuerzo.
Otros paradigmas en Aprendizaje por Refuerzo: transferencia de conocimiento
aprendido, aprendizaje por refuerzo jerárquico, aprendizaje por refuerzo multi-agente,
etc.
Aplicaciones del Aprendizaje por Refuerzo
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG2 - Evaluar nuevas herramientas computacionales y de gestión del
conocimiento en el ámbito de la Inteligencia Artificial.
CG3 - Gestionar de manera inteligente los datos, la información y su
representación.
CE4 - Conocer los principales modelos de razonamiento impreciso para valorar
su adecuación a la resolución de problemas que surgen en el ámbito de la
Inteligencia Artificial.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales (clases en vídeo): visionado
inicial del material audiovisual que constituye las lecciones de la
asignatura. Se asume 1.5 veces el tiempo real de vídeo, puesto que el
estudiante deberá parar, repetir, etc.algunas secuencias. (10 horas).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (60
horas).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos (40 horas).
A4 - Foros y chats: lanzamiento, lectura y contestación de cuestiones y
temas para la discusión general (10 horas).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc.
(5 horas).
Puede consultar en este enlace el Cronograma
de Carga de Trabajo.
E1 - Valoración de los cuestionarios de evaluación: los
estudiantes realizarán varios cuestionarios de evaluación que cubrirán los
distintos temas de la asignatura y serán objeto de puntuación en la nota
final. El peso en la nota final de este apartado será del 40% sobre el total.
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes que contará para
la nota final. El peso en la nota final de este apartado será del 10% sobre el
total.
E3 - Valoración de los trabajos individuales: se valorarán dos
trabajos prácticos realizados y entregados a través de la plataforma, y
apoyados en los casos prácticos que se plantearán a los alumnos. Estas
prácticas cubrirán el desarrollo de soluciones basadas en aprendizaje por
refuerzo a casos reales. El peso en la nota final de este apartado será del
50% sobre el total.
Para la convocatoria ordinaria, habrá 3 fechas de entrega de trabajos
final de curso. Los alumnos podrán entregar sus trabajos en cualquier momento,
pero sólo en estas fechas se recogerán y evaluarán los que se hayan entregado.
Habrá una convocatoria extraordinaria en todas las asignaturas.
Las actas de la convocatoria ordinaria se cerrarán en julio de 2025 y las de
la convocatoria extraordinaria en septiembre de 2025.
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
Reinforcement Learning: an Introduction. Richard Sutton and Andrew Barto.
Second Edition. The MIT Press. 2018
Machine Learning. Tom Mitchel. McGraw Hill. 1997
Reinforcement Learning: a Survey. Leslie Kaelbling, Michael Littman and Andrew
Moore. Journal of Artificial Intelligence Research 4 (1996)
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Anual
Créditos ECTS: 4,5
Flores Gallego, Maria Julia
Profesora Titular de Lenguajes y Sistemas Informáticos
Universidad de Castilla-La Mancha (UCLM)
Escuela Superior de Ingeniería Informática de Albacete
Martínez Gómez, Jesús
Profesor Ayudante Doctor (Área de Lenguajes y Sistemas Informáticos)
Universidad de Castilla-La Mancha (UCLM)
Escuela Superior de Ingeniería Informática de Albacete