Este proyecto tiene como objetivo mejorar la gestión autónoma de sistemas de aire acondicionado en entornos interiores mediante la aplicación de aprendizaje automático y dispositivos IoT (Internet de las cosas). El proyecto aprovecha técnicas como el aprendizaje por refuerzo, en particular, Q-learning, para optimizar el control del aire acondicionado en función de las preferencias de comodidad de los ocupantes. Para la recopilación de datos y la toma de decisiones, se utilizan dispositivos IoT que incluyen una Raspberry Picon cámara, una estación meteorológica y un control remoto Broad link RM4. El proyecto comienza con la adquisición de datos de dispositivos IoT y una página web de votación para usuarios, capturando información sobre ocupación, temperatura y preferencias de comodidad. Los datos recopilados se utilizan para entrenar el modelo de Q-learning, lo que le permite predecir acciones óptimas de control del aire acondicionado en tiempo real. La determinación de la política del modelo implica un equilibrio entre exploración y explotación, esencial para un aprendizaje y toma de decisiones efectivas. Escenarios experimentales llevados a cabo en un entorno de laboratorio validan el rendimiento del sistema. Se analizan patrones de ocupación, preferencias de temperatura y percepciones de comodidad utilizando datos recopilados, lo que demuestra la capacidad del modelo de Q-learning para adaptar el aire acondicionado en función de observaciones en tiempo real. Los resultados indican que el sistema autónomo mantiene eficazmente la comodidad de los ocupantes, superando los ajustes manuales en términos de satisfacción térmica constante. Este proyecto resalta la importancia de combinar tecnología IoT y algoritmos de aprendizaje automático para optimizar sistemas de aire acondicionado. La exitosa aplicación de Q-learning en un contexto real subraya su potencial para lograr una comodidadtérmicaprecisayuncontroleficienteentérminosenergéticos, contribuyendo a un entorno interior más sostenible y confortable.