#reinforcement-learning Repositorios
Descubre 563 repositorios activos de código abierto de GitHub etiquetados con #reinforcement-learning, que acumulan 2,092,947 estrellas en total (una media de 3,717 estrellas por proyecto). El líder de este tema es deepseek-ai/DeepSeek-R1, con 91,984 estrellas.
564 repositorios en total
Interfaz local para ejecutar y entrenar LLM y modelos de difusión. Compatible con GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX y más.
¡Aprende ingeniería de IA! Apréndela. Constrúyela. Ponla al alcance de los demás.
🧑🏫 60+ Implementaciones/tutoriales de artículos de aprendizaje profundo con notas una al lado de la otra 📝; incluyendo transformers (original, xl, switch, feedback, vit, ...), optimizadores (adam, adabelief, sophia, ...), gans (cyclegan, stylegan2, ...), 🎮 aprendizaje por refuerzo (ppo, dqn), capsnet, destilación, ... 🧠
"Comprensión profunda de los agentes de IA: principios de diseño y práctica de ingeniería" (por Bojie Li) Repositorio principal de código abierto: texto completo, PDF compilado y código complementario por capítulos.
Ray es un motor de cómputo de IA. Ray consiste en un runtime distribuido central y un conjunto de bibliotecas de IA para acelerar cargas de trabajo de ML.
SGLang es un marco de servicio de alto rendimiento para modelos de lenguaje grandes y modelos multimodales.
Un kit de herramientas para desarrollar y comparar algoritmos de aprendizaje por refuerzo.
ChatDev 2.0: Desarrollar todo a través de la colaboración multiagente impulsada por LLM
🤗 LeRobot: Haciendo la IA para la robótica más accesible con aprendizaje de extremo a extremo
📚 Artículos y blogs de tecnología de empresas que comparten su trabajo sobre ciencia de datos y aprendizaje automático en producción.
Libro interactivo de aprendizaje profundo con código de múltiples frameworks, matemáticas y discusiones. Adoptado en 500 universidades de 70 países, incluyendo Stanford, MIT, Harvard y Cambridge.
Un conjunto de ejemplos en torno a pytorch en Visión, Texto, Aprendizaje por Refuerzo, etc.
Código para Machine Learning for Trading, 3.ª edición — desde la obtención de datos hasta la ejecución en vivo.
FinGPT: ¡Modelos de lenguaje grandes de código abierto para finanzas! Revoluciona 🔥 Lanzamos el modelo entrenado en HuggingFace.
El Unity Machine Learning Agents Toolkit (ML-Agents) es un proyecto de código abierto que permite que los juegos y simulaciones sirvan como entornos para entrenar agentes inteligentes utilizando aprendizaje por refuerzo profundo e imitación.
Esta es la página de inicio de un nuevo libro titulado "Mathematical Foundations of Reinforcement Learning."
《Tutorial de Aprendizaje Profundo de Li Hongyi》(Recomendado por el profesor Li Hongyi 👍, Apple Books 🍎), Enlace de descarga PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Una lista curada de cursos, libros, videoconferencias y artículos sobre Inteligencia Artificial (IA).
OpenAI Baselines: implementaciones de alta calidad de algoritmos de aprendizaje por refuerzo
Tutorial de aprendizaje por refuerzo en chino (Libro de los Hongos 🍄), dirección de lectura en línea: https://datawhalechina.github.io/easy-rl/
Bullet Physics SDK: detección de colisiones en tiempo real y simulación multi-física para VR, juegos, efectos visuales, robótica, aprendizaje automático, etc.
Implementación en Python del Aprendizaje por Refuerzo: Una Introducción
Versión de PyTorch de Stable Baselines, implementaciones confiables de algoritmos de aprendizaje por refuerzo.
Sumérgete en Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision y NLP aprendiendo de estas emocionantes conferencias!!
Una API estándar para entornos de aprendizaje por refuerzo de un solo agente, con entornos de referencia populares y utilidades relacionadas (anteriormente Gym)
La plataforma para desarrolladores de IA. Usa Weights & Biases para entrenar y ajustar finamente modelos, y gestionar modelos desde la experimentación hasta la producción.
Cuadernos de Jupyter 📓 de ejemplo que demuestran cómo construir, entrenar e implementar modelos de aprendizaje automático usando 🧠 Amazon SageMaker.
Entrenador de refuerzo de agentes: entrena agentes de varios pasos para tareas del mundo real usando GRPO. Brinda a tus agentes capacitación en el trabajo. ¡Aprendizaje por refuerzo para Qwen3.6, GPT-OSS, Llama y más!
Implementación de un solo archivo de alta calidad de algoritmos de Deep Reinforcement Learning con características amigables para la investigación (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Mis notas y demostraciones continuamente actualizadas sobre Machine Learning, Modelos Probabilísticos y Deep Learning (2000+ diapositivas) Mis materiales de clase ininterrumpidamente actualizados sobre machine learning, modelos probabilísticos y deep learning (2000+ páginas) y enlaces de video
Un framework RL agentico fácil de usar, escalable y de alto rendimiento basado en Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA y Sol: modelos generativos eficientes y motores integrales de entrenamiento e inferencia para la generación de imágenes, vídeos y modelos del mundo
¡Ajusta finamente (SFT/RL), evalúa y despliega Qwen, Gemma o cualquier LLM/VLM agéntico de código abierto!
Tutoriales simples de aprendizaje por refuerzo, 莫烦Python enseñanza de IA en chino
Una colección de ejemplos y tutoriales de aprendizaje automático.
Implementación en Python de algoritmos de Russell y Norvig en "Artificial Intelligence - A Modern Approach"
Vowpal Wabbit es un sistema de aprendizaje automático que impulsa la frontera del aprendizaje automático con técnicas como online, hashing, allreduce, reductions, learning2search, active e interactive learning.
Implementación de RLHF (Reinforcement Learning with Human Feedback) sobre la arquitectura PaLM. Básicamente ChatGPT pero con PaLM
Orquestación distribuida y con seguridad de tipos de agentes, canalizaciones de ML e inferencia en tiempo real en tu k8s, en Python puro con async/await y también en otros lenguajes (Rust, Go y TypeScript)
Conviértete en un investigador/ingeniero de IA/ML de alto nivel con este libro de texto poco convencional que cubre matemáticas, computación y aprendizaje automático con intuición.
Preguntas frecuentes
¿Cuál es el repositorio de #reinforcement-learning más popular en GitHub?
El proyecto de código abierto de #reinforcement-learning mejor posicionado en GitHub es deepseek-ai/DeepSeek-R1, con 91,984 estrellas.
¿Qué lenguajes de programación se utilizan más en los repositorios de #reinforcement-learning?
Entre los proyectos de #reinforcement-learning mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, C#.
¿Cómo se calcula la clasificación de los repositorios de #reinforcement-learning?
Seguimos 563 repositorios activos de código abierto etiquetados con #reinforcement-learning (500+ estrellas), que suman un total de 2,092,947 estrellas, con una media de 3,717 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.