Compara DQN y SAC para control de cinta transportadora aleatoria
Visión general
De qué trata este proyecto.
Entrena DQN y SAC en un simulador logístico, compara throughput y desgaste, y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Comparar DQN y SAC para control de velocidad de cinta y recomendar uno basándose en evidencia operativa.
Earning criteria — what you'll demonstrate
- Implementar DQN para control discreto y SAC para continuo
- Diseñar funciones de recompensa multi-objetivo coherentes
- Comparar deep RL métodos honestamente con presupuesto controlado
- Razonar sobre elección discreta vs. continua en problemas reales
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Robot Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Comparar DQN vs. SAC con varianza sobre seeds en un simulador calibrado es trabajo cotidiano del MLE en operations RL.
Este proyecto afina
- reinforcement-learning
- dqn
- sac
Científico/a Aplicado/a de IA
Diseñar recompensa multi-objetivo y producir recomendación operativa para puerto es la franja senior del applied AI scientist en logística.
Este proyecto afina
- reinforcement-learning
- robot-learning
- evaluation
Investigador/a de Machine Learning
Razonar formalmente sobre cuándo elegir discreto vs. continuo y publicar nota técnica defendible es trabajo del ML researcher aplicado.
Este proyecto afina
- reinforcement-learning
- evaluation
- robot-learning