El Transfer Learning és una àrea de la Intel·ligència Artificial que busca transferir el coneixement adquirit per un sistema intel·ligent en la resolució d'un problema cap a la resolució d'un altre problema relacionat. Aquest projecte inicialment tenia com a objectiu aplicar Transfer Learning a un conjunt de quatre agents entrenats en un joc Predator-Prey amb aprenentatge per reforç multiagent per tal de jugar a un joc semblant, Combat, analitzant diferents estratègies de Transfer Learning. Degut als recursos computacionals necessaris per dur a terme la proposta original, va caldre canviar l'objecte a jocs d'un sol agent. Això ens ha permès implementar i estudiar la tècnica d'Introspective Action Advise en un escenari amb una transferència d'aprenentatge reduïda, deixant per a treballs futurs l'aplicació d'aquesta tècnica a jocs multiagents. Els principals reptes afrontats en aquest treball han estat l'adaptació de la tècnica a estudiar a un agent DQN, l'ús d'un sistema adaptatiu en l'aconsellament d'accions, i la implementació del sistema de classes per a l'experimentació. A través d'aquesta investigació, hem pogut explorar les capacitats de la tècnica d'Introspective Action Advise en un entorn controlat, proporcionant una base sòlida per a futures investigacions en entorns multiagent.