Aprendizaje reforzado profundo: análisis de posibilidades y tecnología software existente

Abstract

En la actualidad, las redes neuronales que emplean el aprendizaje reforzado encuentran su lugar dentro de una amplia variedad de aplicaciones prácticas. Algunos ejemplos de tales aplicaciones van desde casos bien conocidos como ofrecer experiencias personalizadas de servicios web, a otros más específicos la optimización de controladores de DRAM [1]. Por supuesto también se da el caso de aplicaciones que si bien en primera instancia no parecerían tan útiles, como entrenar una red para aprender a jugar a un determinado videojuego, si que ponen de manifiesto las capacidades del aprendizaje reforzado para aprender a interactuar con un entorno con un nivel considerable de complejidad [2]. Para el caso de este trabajo de fin de grado, se expondrá un ejemplo práctico donde una red neuronal de tipo DQN se entrenará por medio del aprendizaje reforzado profundo para resolver un problema de beamforming en el que una agrupación de 퐾 × 푀 trata de maximizar la capacidad del canal con respecto a un emisor móvil empleando únicamente las propiedades de la señal recibida por cada antena de la agrupación.