---
title: "Agentes de aprendizaje por refuerzo profundo · Artificial systems · Entidades · Hipótesis de la simulación"
url: https://simulation-hypothesis.com/es/entities/ai-drl
description: "Redes neuronales entrenadas por ensayo y error para maximizar una señal de recompensa."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hipótesis de la simulación (simulation-hypothesis.com)"
---

[Entidades](https://simulation-hypothesis.com/es/entities) › Sistemas artificiales

# Agentes de aprendizaje por refuerzo profundo

Redes neuronales entrenadas por ensayo y error para maximizar una señal de recompensa. Aprenden una política o una función de valor interactuando con un entorno, a menudo simulado, como un juego.

Redes neuronales entrenadas por ensayo y error para maximizar una señal de recompensa. Aprenden una política o una función de valor interactuando con un entorno, a menudo simulado, como un juego. Pueden alcanzar una habilidad sobrehumana en tareas estrechas, pero están optimizadas para una única meta de recompensa.

## Fuentes

* Mnih V, Kavukcuoglu K, Silver D, Rusu AA, et al. (2015) Human-level control through deep reinforcement learning. Nature 518(7540):529-533\. doi:10.1038/nature14236.
* Silver D et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature 529:484-489\. doi:10.1038/nature16961.

Evalúalo con los criterios publicados