Es una arquitectura de red neuronal utilizada en el aprendizaje por refuerzo, específicamente en el algoritmo de Q-learning profundo. DQN combina redes neuronales profundas con el algoritmo Q-learning para aprender a tomar decisiones óptimas en entornos complejos y dinámicos. Este enfoque ha sido especialmente exitoso en aplicaciones de juegos de video, donde los agentes de aprendizaje pueden aprender a jugar juegos como Atari de manera autónoma a partir de la observación de la pantalla y la retroalimentación de recompensa.

También conocido como aprendizaje profundo, es un subcampo del aprendizaje automático que se basa en redes neuronales artificiales para realizar tareas complejas de procesamiento de datos. A diferencia de los modelos de aprendizaje automático tradicionales, que pueden tener una o dos capas ocultas, las redes neuronales profundas pueden tener múltiples capas ocultas, lo que les permite aprender representaciones jerárquicas de los datos. Esto hace que el deep learning sea especialmente eficaz en tareas como reconocimiento de imágenes, procesamiento de lenguaje natural y reconocimiento de voz.

También conocido como aumento de datos, es una técnica utilizada en el aprendizaje automático para aumentar el tamaño del conjunto de datos mediante la aplicación de transformaciones a los datos existentes. Estas transformaciones pueden incluir rotaciones, traslaciones, zoom, volteos, cambios en el brillo, entre otros. El objetivo de la data augmentation es mejorar la generalización y el rendimiento del modelo al proporcionar más variedad en los datos de entrenamiento, lo que ayuda a prevenir el sobreajuste.