#reinforcement-learning Repositories
Entdecke 563 aktive Open-Source-GitHub-Repositories, die mit #reinforcement-learning getaggt sind und insgesamt 2,092,947 Sterne gesammelt haben (durchschnittlich 3,717 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist deepseek-ai/DeepSeek-R1 mit 91,984 Sternen.
Insgesamt 564 Repositories
Lokale Benutzeroberfläche zum Ausführen und Trainieren von LLMs und Diffusionsmodellen. Unterstützt GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX und mehr.
Lerne AI Engineering! Lerne es. Entwickle es. Stelle es anderen zur Verfügung.
🧑🏫 60+ Implementierungen/Tutorials von Deep-Learning-Papieren mit begleitenden Notizen 📝; einschließlich Transformatoren (Original, xl, switch, feedback, vit, ...), Optimierern (adam, adabelief, sophia, ...), gans (cyclegan, stylegan2, ...), 🎮 Reinforcement Learning (ppo, dqn), capsnet, Destillation, ... 🧠
„Deep Understanding of AI Agents: Design Principles and Engineering Practice“ (von Bojie Li) Open-Source-Haupt-Repository: Vollständiger Text, kompilierte PDF und kapitelweise Begleitcodes.
Ray ist ein AI-Compute-Engine. Ray besteht aus einem zentralen verteilten Runtime und einem Satz von AI-Bibliotheken zur Beschleunigung von ML-Workloads.
SGLang ist ein Hochleistungs-Serving-Framework für große Sprachmodelle und multimodale Modelle.
📚 Artikel & Tech-Blogs von Unternehmen, die ihre Arbeit zu Data Science & Machine Learning in der Produktion teilen.
Interaktives Deep-Learning-Buch mit Code für mehrere Frameworks, Mathematik und Diskussionen. An 500 Universitäten in 70 Ländern übernommen, darunter Stanford, MIT, Harvard und Cambridge.
Eine Reihe von Beispielen rund um Pytorch in den Bereichen Vision, Text, Reinforcement Learning usw.
Code für Machine Learning for Trading, 3. Auflage — von der Datenbeschaffung bis zur Live-Ausführung.
FinGPT: Open-Source Large Language Models für Finanzen! Revolutionieren Sie 🔥 Wir veröffentlichen das trainierte Modell auf HuggingFace.
Das Unity Machine Learning Agents Toolkit (ML-Agents) ist ein Open-Source-Projekt, das Spiele und Simulationen als Umgebungen für das Training intelligenter Agenten mit Deep Reinforcement Learning und Imitation Learning ermöglicht.
Dies ist die Homepage eines neuen Buches mit dem Titel "Mathematical Foundations of Reinforcement Learning."
《Li Hongyi Deep Learning Tutorial》(Empfohlen von Professor Li Hongyi 👍, Apple Books 🍎), PDF-Download-Link: https://github.com/datawhalechina/leedl-tutorial/releases
Eine kuratierte Liste von Kursen, Büchern, Videovorlesungen und Arbeiten im Bereich Künstliche Intelligenz (KI).
OpenAI Baselines: hochwertige Implementierungen von Reinforcement-Learning-Algorithmen
Reinforcement Learning Chinesisch Tutorial (Pilzbuch 🍄), Online-Leseadresse: https://datawhalechina.github.io/easy-rl/
Bullet Physics SDK: Echtzeit-Kollisionserkennung und Multi-Physik-Simulation für VR, Spiele, visuelle Effekte, Robotik, maschinelles Lernen usw.
Python-Implementierung des Reinforcement Learning: Eine Einführung
PyTorch-Version von Stable Baselines, zuverlässige Implementierungen von Reinforcement-Learning-Algorithmen.
Tauchen Sie ein in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision und NLP, indem Sie aus diesen spannenden Vorlesungen lernen!!
Eine standardisierte API für Einzelagenten-Umgebungen des bestärkenden Lernens mit beliebten Referenzumgebungen und zugehörigen Hilfsprogrammen (ehemals Gym)
Die AI-Entwicklerplattform. Verwenden Sie Weights & Biases, um Modelle zu trainieren und feinabzustimmen und Modelle von der Experimentierphase bis zur Produktion zu verwalten.
Beispiel-📓 Jupyter-Notebooks, die zeigen, wie man Machine-Learning-Modelle mit 🧠 Amazon SageMaker erstellt, trainiert und bereitstellt.
Agent Reinforcement Trainer: Trainieren Sie Multi-Step-Agenten für reale Aufgaben mit GRPO. Geben Sie Ihren Agenten eine praxisnahe Ausbildung. Reinforcement Learning für Qwen3.6, GPT-OSS, Llama und mehr!
Hochwertige Single-File-Implementierung von Deep-Reinforcement-Learning-Algorithmen mit forschungsfreundlichen Features (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Meine kontinuierlich aktualisierten Notizen und Demos zu Machine Learning, probabilistischen Modellen und Deep Learning (2000+ Folien) Meine ununterbrochen aktualisierten Vorlesungsmaterialien zu Machine Learning, probabilistischen Modellen und Deep Learning (2000+ Seiten) und Video-Links
Ein einfach zu bedienendes, skalierbares und hochperformantes agentisches RL-Framework basierend auf Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA & Sol: Effiziente generative Modelle und Full-Stack-Engines für Training und Inferenz zur Bild-, Video- und Weltmodellierung
Qwen, Gemma oder jedes offene agentische LLM/VLM ganz einfach feinabstimmen (SFT/RL), evaluieren und bereitstellen!
Einfache Reinforcement-Learning-Tutorials, 莫烦Python Chinesische AI-Lehrgänge
Eine Sammlung von Beispielen und Tutorials zum maschinellen Lernen.
Python-Implementierung der Algorithmen aus Russell und Norvigs "Artificial Intelligence - A Modern Approach"
Vowpal Wabbit ist ein Machine-Learning-System, das die Grenzen des Machine Learning mit Techniken wie online, hashing, allreduce, reductions, learning2search, active und interactive learning vorantreibt.
Implementierung von RLHF (Reinforcement Learning with Human Feedback) auf der PaLM-Architektur. Im Grunde ChatGPT, aber mit PaLM
Typsichere, verteilte Orchestrierung von Agenten, ML-Pipelines und Echtzeit-Inferenz auf Ihrem k8s – in reinem Python mit async/await sowie in weiteren Sprachen (Rust, Go und TypeScript)
Werde ein erstklassiger KI/ML-Forscher/Ingenieur mit diesem unkonventionellen Lehrbuch, das Mathematik, Informatik und ML auf intuitive Weise vermittelt.
Häufig gestellte Fragen
Welches ist das beliebteste #reinforcement-learning-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#reinforcement-learning-Projekt auf GitHub ist deepseek-ai/DeepSeek-R1 mit 91,984 Sternen.
Welche Programmiersprachen werden in #reinforcement-learning-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #reinforcement-learning-Projekten auf GitHub sind Python, Jupyter Notebook, C++, C# die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #reinforcement-learning-Repositories berechnet?
Wir verfolgen 563 aktive Open-Source-Repositories, die mit #reinforcement-learning getaggt sind (500+ Sterne), mit insgesamt 2,092,947 Sternen und durchschnittlich 3,717 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.