Trabajos finales de carrera de postgrado

Permanent URI for this collection

https://rad.ort.edu.uy/handle/20.500.11968/2714

Estos trabajos de fin de carrera son obras producidas por estudiantes, que se originan en los procesos formativos de la universidad.

Tienen propósitos culturales y educativos. No son productos comerciales y su difusión pública no está autorizada.

Browse

Browsing Trabajos finales de carrera de postgrado by Subject "APRENDIZAJE POR REFUERZO"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Análisis e implementación de técnicas de “Batch Reinforcement Learning” pasivo para aplicación sobre casos reales
    (Universidad ORT Uruguay, 2021) Derderian Dostourian, Mariana; Milano Taibo, José Germán; Mottini d'Oliveira, Bruno Luis; Yovine, Sergio Fabián; Mayr Ojeda, Franz; Gravano, Agustin; Olloniego Rocca, Juan Andrés
    El presente trabajo final tiene como objetivo investigar las posibilidades que brinda la Inteligencia Artificial. En particular, se focaliza en analizar las diferentes técnicas de “Batch Reinforcement Learning” pasivo. Su implementación buscará abordar un caso de uso real basado en sistemas de recomendación. Esto implicó la realización de una evaluación de los diferentes algoritmos capaces de resolver esta y otras problemáticas, así como también las diferentes opciones de métricas de desempeño que pueden ser implementadas. Así, se buscará generar un marco de referencia para la aplicación de “Batch Reinforcement Learning”. El mismo abordará los siguientes pilares fundacionales: tratamiento del conjunto de datos, los algoritmos y posibles métricas de desempeño. Estos puntos forman un grupo indispensable para la aplicación de la técnica antes mencionada. Estos tres pilares se abordarán desde distintas ópticas. Por una parte, en lo que refiere a conjunto de datos, se utilizarán algoritmos que permitirán generarlos para mantener un escenario de pruebas controlado, sobre el cual puedan desarrollarse distintos experimentos. Por otra parte, se explorarán algoritmos que se consideran las bases para la aplicación de “Batch Reinforcement Learning” pasivo (e.g. Neural Fitted Q-Iteration), todos ellos basados en redes neuronales artificiales. Por último, será necesario evaluar métricas de desempeño que permitan conocer si un agente logró aprender a resolver la tarea propuesta. Finalmente, se dejan sentadas las bases para poder aplicar dichas técnicas a un caso real sobre una temática relevante en la industria: sistemas de recomendación.
  • Thumbnail Image
    Item
    Optimización de sistemas hidropónicos basados en Inteligencia Artificial
    (Universidad ORT Uruguay, 2023) Würth Castelli, Mateus; Yovine, Sergio Fabián; Mayr Ojeda, Franz; Braberman, Victor Adrian; Carrasco Piaggio, Matías
    El presente desarrollo de tesis presenta una investigación que busca extender y brindar inteligencia a un prototipo de hardware desarrollado previamente por el mismo autor para su proyecto de Ingeniería en Sistemas. Este es un sistema de control de plantas hidropónico y autónomo basado en inteligencia artificial, el cual contempló la integración de sensores y actuadores electrónicos que interactuarán con el fin de optimizar el crecimiento de estas. A lo largo de este trabajo se profundizó en la virtualización de dicho ambiente, además de la generación de modelos de inteligencia artificial con aprendizaje por refuerzo, logrando optimizar el crecimiento de las plantas.