Reinforcement Learning (RL) – Aprendizaje por Refuerzo (RL)
El Aprendizaje por Refuerzo (RL) es una técnica de aprendizaje automático.
Un agente aprende a interactuar con un entorno
Maximizar una recompensa acumulada.
Este enfoque se inspira en la forma en que los humanos.
Animales aprenden a través de prueba y error.
Recibiendo recompensas o castigos según sus acciones.
Elementos Clave del RL
Agente
El sistema que toma decisiones.
Basadas en observaciones del entorno.
Ejemplo:
Un robot que navega por una habitación.
Entorno
El mundo con el que el agente interactúa.
Ejemplo:
La habitación en la que se mueve el robot.
Estados (SS)
Representación de la situación actual del entorno.
Ejemplo:
La posición actual del robot en la habitación.
Acciones (A)
Conjunto de decisiones disponibles para el agente.
Ejemplo:
Girar a la izquierda, avanzar, retroceder.
Recompensa (R)
Retroalimentación que recibe el agente.
Después de realizar una acción.
Ejemplo:
+1 por evitar una pared
-1 por chocar con ella.
Política (π\pi)
Estrategia que utiliza el agente.
Decidir qué acción tomar en cada estado.
Ejemplo:
«Si estoy cerca de una pared, retroceder.»
Función de valor (V)
Estima el valor a largo plazo de estar en un estado particular.
Dado que se sigue una política específica.
Función de acción-valor (QQ)
Estima el valor de realizar una acción específica.
En un estado particular.
Funcionamiento del Aprendizaje por Refuerzo
El agente sigue un proceso iterativo para aprender la mejor política.
Exploración
El agente experimenta con diferentes acciones.
Descubrir cuáles conducen a mayores recompensas.
Explotación
El agente aplica el conocimiento adquirido.
Maximiza la recompensa.
Retroalimentación
El entorno proporciona recompensas.
Según las acciones del agente.
Actualización
El agente ajusta su política y/o funciones de valor.
Basándose en la experiencia.
Técnicas en RL
Aprendizaje basado en modelos
El agente construye una representación interna.
Del entorno para planificar sus acciones.
Ejemplo:
Algoritmos como Model Predictive Control.
Aprendizaje sin modelo
El agente interactúa directamente con el entorno.
Sin construir un modelo explícito.
Ejemplo:
Q-Learning y Deep Q-Learning.
Métodos de valor
El agente aprende funciones de valor (V o Q)
Para tomar decisiones.
Ejemplo: Q-Learning.
Métodos de política
El agente aprende directamente una política óptima.
Sin usar funciones de valor explícitas.
Ejemplo: REINFORCE.
Métodos actor-crítico
Combina métodos de valor y política.
Un «actor» optimiza la política.
Un «crítico» evalúa las acciones.
Ejemplo:
Advantage Actor-Critic (A2C).
Algoritmos Clásicos de RL
Q-Learning
Algoritmo sin modelo que actualiza la función.
De acción-valor (Q)
Aprende a través de exploración y actualización iterativa.
SARSA (State-Action-Reward-State-Action)
Similar al Q-Learning pero utiliza la acción seleccionada.
En el siguiente estado para la actualización.
Deep Q-Networks (DQN)
Extiende Q-Learning usando redes neuronales profundas.
Aproximar la función Q
Manejando espacios de estado complejos.
Parámetros Importantes
Tasa de aprendizaje (α\alpha)
Controla la velocidad con la que se actualizan los valores aprendidos.
Factor de descuento (γ\gamma)
Determina cuánto peso se da a las recompensas futuras.
En comparación con las inmediatas.
Balance entre exploración y explotación (ϵ-greedy)
Define cómo el agente equilibra probar nuevas acciones.
Explotar las conocidas.
Aplicaciones de RL
Robótica
Navegación autónoma, manipulación de objetos.
Videojuegos
Creación de agentes inteligentes.
Pueden jugar contra humanos.
Sistemas de recomendación
Optimización de recomendaciones adaptativas.
Finanzas
Gestión de carteras, optimización de inversiones.
Automóviles autónomos
Toma de decisiones en tiempo real.
Conducción segura.
Energía
Optimización de redes eléctricas.
Sistemas de energía renovable.
Ventajas y Limitaciones del RL
Ventajas
Toma de decisiones en entornos dinámicos y desconocidos.
Aprendizaje adaptable mediante prueba y error.
No requiere etiquetas para datos de entrenamiento.
Limitaciones
Requiere mucha interacción con el entorno.
Puede ser costoso.
El ajuste de hiperparámetros (α, γ, ϵ) puede ser complicado.
Puede ser ineficiente en espacios de estado grandes o continuos.
El Aprendizaje por Refuerzo es una herramienta para resolver problemas.
En la toma de decisiones secuenciales.
El uso de redes neuronales profundas en algoritmos como DQN.
Ampliado su aplicabilidad en campos complejos y dinámicos.
Te puede interesar;
