BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//pretalx//pretalx.com//pycones-2024//speaker//8SQ88L
BEGIN:VTIMEZONE
TZID:CET
BEGIN:STANDARD
DTSTART:20001029T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
TZNAME:CET
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
END:STANDARD
BEGIN:DAYLIGHT
DTSTART:20000326T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
TZNAME:CEST
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
END:DAYLIGHT
END:VTIMEZONE
BEGIN:VEVENT
UID:pretalx-pycones-2024-PFBE8Z@pretalx.com
DTSTART;TZID=CET:20241006T155000
DTEND;TZID=CET:20241006T162500
DESCRIPTION:Los impresionantes avances en el campo del Deep Learning y rede
 s neuronales basadas en el contexto de visión de los videojuegos han demo
 strado poder crear controladores de nivel humano en los juegos de Atari 26
 00 a partir de datos visuales (píxeles). Sin embargo\, la mayoría de jue
 gos de Atari 2600 son en tercera persona y en entornos bidimensionales no 
 realistas. Este hecho limita la aplicación de estas tecnologías en otros
  entornos. \n\nPara superar este desafío\, nos complace presentaros ViZDo
 om\, una revolucionaria plataforma de prueba que utiliza información visu
 al pura y ofrece una perspectiva en primera persona en un entorno tridimen
 sional semi-realista. Basada en el legendario juego de disparos en primera
  persona\, Doom\, ViZDoom permite desarrollar bots capaces de jugar al jue
 go utilizando únicamente el búfer de pantalla\, proporcionando una herra
 mienta ligera\, rápida y altamente personalizable.\n\nGracias a la combin
 ación de redes neuronales convolucionales\, Q-learning y reproducción de
  experiencias\, hemos logrado entrenar bots altamente competentes. Estos b
 ots no solo muestran comportamientos parecidos a los humanos sino que tamb
 ién confirman la viabilidad del aprendizaje por refuerzo visual en entorn
 os semi-realistas de primera persona en 3D.\n\nDentro de este contexto\, c
 ontaremos cómo surgió la idea\, el motivo de porque se ha elegido Doom y
  no otros videojuegos\, diferentes escenarios de prueba (movimientos bási
 cos\, disparos\, recolección de objetos en un laberinto)\, parámetros y 
 resultados\, métricas de rendimiento y\, finalmente\, los usos reales que
  se le puede dar.
DTSTAMP:20260412T234052Z
LOCATION:Saraiba
SUMMARY:Aprende Aprendizaje por refuerzo jugando a Doom - Nadal\, Óscar Ti
 enda Beteta
URL:https://pretalx.com/pycones-2024/talk/PFBE8Z/
END:VEVENT
END:VCALENDAR