Durante el evento se ofrecerán dos cursillos introductorios e independientes: uno en física y otro en matemáticas. Serán impartidos por especialistas reconocidos y están diseñados para ser accesibles a estudiantes con conocimientos básicos en cada disciplina.
Cada cursillo ofrecerá una mirada actual a temas de investigación contemporáneos, con un enfoque formativo e inspirador.
Los participantes pueden inscribirse en uno o en ambos, de acuerdo con sus intereses académicos.
Cursillo Física:
Título: Rudimentos de la teoría de la computación cuántica*
Profesor Julián Rincón. Departamento de Física, Universidad de los Andes
Resumen: En esta serie de clases, profundizaremos en los conceptos matemáticos y físicos fundamentales que subyacen en la computación cuántica. Cubriremos los aspectos esenciales del álgebra lineal en espacios de Hilbert de dimensión finita, que forman la estructura matemática central de la computación cuántica. Además, examinaremos los principios básicos de la mecánica cuántica aplicados a la teoría de la computación, incluyendo conceptos o recursos claves como superposición, interferencia, entrelazamiento, entre otros. Una revisión de los protocolos y algoritmos cuánticos fundamentales, como codificación superdensa, teleportación cuántica y algoritmos de consulta, destacará las potenciales ventajas de la computación cuántica sobre su contraparte clásica.
Cursillo Matemáticas:
Título: Conceptos fundamentales del aprendizaje por refuerzo.
Profesor Mauricio Junca. Departamento de Matemáticas, Universidad de los Andes
En este cursillo daremos los fundamentos matemáticos del Aprendizaje por Refuerzo (AR) y el Aprendizaje por Refuerzo Inverso (ARI). Comenzaremos estableciendo la base del problema de la toma de decisiones secuencial en el marco de los Procesos de Decisión de Markov (MDPs). A continuación, exploraremos en detalle los métodos usados para encontrar la función de valor óptima y la política óptima, con un énfasis particular en la formulación lineal. Analizaremos tanto la formulación primal, basada en la minimización de los valores de estado sujetos a las restricciones de la ecuación de Bellman, como la formulación dual basada en el concepto de medida de ocupación. Finalmente, discutiremos cómo esta perspectiva lineal influye y facilita el desarrollo de algoritmos en el Aprendizaje por Refuerzo Inverso, especialmente en la inferencia de funciones de recompensa a partir del comportamiento experto.
