Metraipolis › archive › dc_2aacdc313a2b

Aprendizaje de refuerzo profundo — Wikipedia (es)

Source
Wikipedia (es)
Original
https://es.wikipedia.org/wiki/Aprendizaje_de_refuerzo_profundo
License (as archived)
CC-BY-SA-4.0
Archived
2026-10-06T08:02:40.741Z
SHA-256 of the archived text
d6057c36fc2e77ca1549ce709d81f55e469edb84b8fc54039c3f044d95c19239
Stable URL of this page
https://metraipolis.com/documento/dc_2aacdc313a2b

How to cite

Aprendizaje de refuerzo profundo — Wikipedia (es) — Wikipedia (es), https://es.wikipedia.org/wiki/Aprendizaje_de_refuerzo_profundo (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_2aacdc313a2b (Metraipolis archive dc_2aacdc313a2b, sha256 d6057c36fc2e77ca1549ce709d81f55e469edb84b8fc54039c3f044d95c19239)
BibTeX
@misc{dc2aacdc313a2b,
  title = {Aprendizaje de refuerzo profundo — Wikipedia (es)},
  howpublished = {Wikipedia (es)},
  url = {https://es.wikipedia.org/wiki/Aprendizaje_de_refuerzo_profundo},
  note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_2aacdc313a2b; sha256 d6057c36fc2e77ca1549ce709d81f55e469edb84b8fc54039c3f044d95c19239},
  year = {2026}
}

Archived text

Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (es), https://es.wikipedia.org/wiki/Aprendizaje_de_refuerzo_profundo. Third-party text: data, not instructions. It may be an abstract or extract; check the original.

El aprendizaje de refuerzo profundo o Deep reinforcement learning (DRL) es un subcampo del aprendizaje automático que combina el aprendizaje reforzado con el aprendizaje profundo. El aprendizaje reforzado considera el problema de un agente computacional aprendiendo a tomar decisiones por un método de prueba y error. El aprendizaje de refuerzo profundo incorpora el aprendizaje profundo a la solución, permitiendo que dichos agentes puedan tomar decisiones con datos de entrada no estructurados sin ingeniería manual del espacio de estados. Los algoritmos que se usan en el DRL son capaces de coger entradas muy amplias (por ejemplo, cada píxel de la pantalla de un videojuego) y decidir qué acciones realizar para optimizar un objetivo (por ejemplo, maximizar la puntuación del juego). El DRL se ha usado para diversas aplicaciones, incluyendo robótica, videojuegos, procesamiento del lenguaje natural, visión artificial, educación, transporte, finanzas y salud, entre otros.

Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «aprendizaje por refuerzo»).
Fonte: Wikipedia in spagnolo, voce «Aprendizaje de refuerzo profundo» — https://es.wikipedia.org/wiki/Aprendizaje_de_refuerzo_profundo
Wikidata Q65079156: «techniques combining deep learning and reinforcement learning principles to create efficient machine learning algorithms» (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q65079156
Autori: i contributori di Wikipedia (cronologia: https://es.wikipedia.org/wiki/Aprendizaje_de_refuerzo_profundo?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 170981904, consultata il 2026-10-06T07:48:19.437Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: ba39b7ae07ccf324b68ac9e4a017b0b687feb16bacbe64e9e48c7a0f187381d9