#deep-reinforcement-learning Repositorios
99 repositorios en total
Una implementación de TensorFlow de este paper de Nvidia: https://arxiv.org/pdf/1604.07316.pdf con algunos cambios
Deep Reinforcement Learning Hands-On: Segunda Edición, publicada por Packt
Un repositorio es todo lo que es necesario para el aprendizaje por refuerzo multiagente (MARL)
JMLR: OmniSafe es un marco de infraestructura para acelerar la investigación SafeRL.
Entornos de aprendizaje por refuerzo para el control de semáforos de tráfico con SUMO. Compatible con Gymnasium, PettingZoo y bibliotecas populares de RL.
Esta es una biblioteca que proporciona tareas de manipulación dual hábil de manos a través de Isaac Gym
Códigos fuente para el libro "Reinforcement Learning: Theory and Python Implementation"
[IROS 2024] Aprendizaje de teleoperación en tiempo real de cuerpo completo de humano a humanoide. [CoRL 2024] OmniH2O: Teleoperación y aprendizaje universales y diestros de cuerpo completo de humano a humanoide
La pila completa de posentrenamiento para LLM, además de RL para cualquier problema. SFT, DPO y RL agéntico en varios turnos, con optimización evolutiva de hiperparámetros integrada.
Versión ligera de MAPPO para ayudarte a migrar rápidamente a tu entorno local.
SERL: Una suite de software para el aprendizaje por refuerzo robótico eficiente en muestras
Código del libro Deep Reinforcement Learning in Action de Manning, Inc.
Código Pytorch para el artículo ICLR-2020 "Learning to Explore using Active Neural SLAM"
El proyecto de código abierto unitree_il_lerobot es una modificación del framework de entrenamiento de código abierto LeRobot, que permite el entrenamiento y la prueba de datos recopilados utilizando las manos diestras de doble brazo del robot G1 de Unitree.
Control de locomoción basado en aprendizaje de OpenRobotLab, incluido el control de locomoción híbrido de modelo interno e H-Infinito
Un marco de aprendizaje profundo para la optimización simbólica.
Este repositorio contiene la mayoría de las implementaciones clásicas de aprendizaje profundo por refuerzo de PyTorch, incluyendo - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (Más algoritmos están en progreso)
Un framework ligero de aprendizaje por refuerzo profundo para la gestión de portafolios. Este proyecto explora la posibilidad de aplicar algoritmos de aprendizaje por refuerzo profundo al trading de acciones en un framework altamente modular y escalable.
Una extensión de la base de código PyMARL que incluye algoritmos adicionales y soporte de entorno
Un paquete de aprendizaje por refuerzo para Julia
Una biblioteca de PyTorch para construir agentes de aprendizaje profundo por refuerzo.
ProphitBet es una aplicación de aprendizaje automático para predecir apuestas de fútbol. Analiza el estado de forma de los equipos, calcula estadísticas de los partidos y predice sus resultados mediante métodos avanzados de aprendizaje automático (ML). Además, ofrece agentes de apuestas basados en aprendizaje por refuerzo profundo (DRL), capaces de aprender estrategias de apuestas óptimas.
Training transferable end-to-end quadrotor control policies on a laptop in 18 seconds.
Aprendizaje por Refuerzo Profundo (PPO) en Conducción Autónoma (Carla) [desde cero]
DRLib: Una concisa biblioteca de aprendizaje por refuerzo profundo, que integra HER, PER y D2SR para algoritmos RL casi fuera de política.
Archivo '笔和线段的一种划分.py', solo necesitas ingresar los datos high y low de las velas K, y se realiza automáticamente la división en trazos, segmentos de línea, núcleo, puntos de compra y venta, y tipos de tendencia. Puedes usar sh.csv como archivo de entrada. Currículum en pdf. El poder del tiempo. Algunos dicen que el timing es muy difícil, otros que seleccionar acciones es fácil, otros que las instalaciones IT para arbitraje estadístico son muy importantes. Y algunos dicen que el sistema tiene principios impredecibles. Opiniones divididas. Un sistema distribuido, cuando tu influencia puede ser ignorada, solo entonces puedes lograrlo, como dijo el presidente Jiang: hacerse rico en silencio. En la primera semana, el mercado cayó un 1 %, gané diez mil, un 5 % de ganancia. #Acciones #Bolsa #TeoríaChan https://v.kuaishou.com/bFEl6M Copia este mensaje y abre 【Kwai】 para ver!
RLGF es un marco de entrenamiento general adecuado para tareas de aprendizaje por refuerzo profundo de UAV. E integra múltiples algoritmos de aprendizaje por refuerzo profundo convencionales (SAC, DQN, DDQN, PPO, Dueling DQN, DDPG).
Un marco de trabajo donde un agente de aprendizaje por refuerzo de Q-Learning profundo intenta elegir la fase correcta del semáforo en una intersección para maximizar la eficiencia del tráfico.
Yang Le Ge Yang + Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning + 3 Tiles Game)