#deep-reinforcement-learning Dépôts
Découvrez 99 dépôts GitHub open source actifs associés à #deep-reinforcement-learning, cumulant 324,947 étoiles au total (soit une moyenne de 3,282 étoiles par projet). Le projet en tête de ce thème est Unity-Technologies/ml-agents, avec 19,887 étoiles.
99 dépôts au total
Le Unity Machine Learning Agents Toolkit (ML-Agents) est un projet open-source qui permet aux jeux et simulations de servir d'environnements pour l'entraînement d'agents intelligents en utilisant l'apprentissage par renforcement profond et l'apprentissage par imitation.
Simulateur open source pour véhicules autonomes construit sur Unreal Engine / Unity, par Microsoft AI & Research
Ce dépôt contient des implémentations et du code illustratif pour accompagner les publications de DeepMind.
Tutoriel d'apprentissage par renforcement en français (Livre champignon 🍄), adresse de lecture en ligne : https://datawhalechina.github.io/easy-rl/
Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
Une ressource éducative pour aider quiconque à apprendre l'apprentissage par renforcement profond.
Implémentation en un seul fichier de haute qualité d'algorithmes d'apprentissage par renforcement profond avec des fonctionnalités conviviales pour la recherche (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Tutoriels, devoirs et compétitions pour les cours liés à MIT Deep Learning.
(⌐■_■) - Deep Reinforcement Learning instrumentant bettercap pour le pwning WiFi.
Matériel de laboratoire pour MIT 6.S191 : Introduction au Deep Learning
Hack de Flappy Bird utilisant l'apprentissage par renforcement profond (Deep Q-learning).
Implémentations PyTorch d'algorithmes et d'environnements d'apprentissage par renforcement profond
Dépôt pour le programme Nanodegree en apprentissage par renforcement profond
Ce dépôt contient le cours d'apprentissage par renforcement profond de Hugging Face.
« Grands Modèles Linguistiques » par : Zhao Xin, Li Junyi, Zhou Kun, Tang Tianyi, Wen Jirong
Une liste organisée de ressources sur l'apprentissage par renforcement avec feedback humain (mise à jour en continu)
FinRL-X : Infrastructure modulaire native IA pour le trading quantitatif
Implémentation PyTorch propre, robuste et unifiée d'algorithmes populaires d'apprentissage par renforcement profond (DRL) (Q-learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL)
Apprentissage par Renforcement / Bots IA dans les Jeux de Cartes (Poker) - Blackjack, Leduc, Texas, DouDizhu, Mahjong, UNO.
Tensorforce : une bibliothèque TensorFlow pour l'apprentissage par renforcement appliqué
Moteur d'échecs à réseau de neurones open source avec accélération GPU et large support matériel.
Une bibliothèque modulaire de haut niveau pour entraîner des agents d'IA incarnés dans une variété de tâches et d'environnements.
Apprentissage par renforcement profond pratique, publié par Packt
Une bibliothèque d'agents IA d'apprentissage par renforcement prête pour la production, proposée par l'équipe Applied Reinforcement Learning de Meta.
Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, avec optimisation des hyperparamètres et agents pré-entraînés inclus.
Cours de tutoriel PPO x Family DRL (Cours public d'introduction à l'intelligence décisionnelle : 8 leçons pour vous aider à démêler la théorie des algorithmes, à clarifier la logique du code et à maîtriser les applications pratiques de l'IA décisionnelle)
Implémentation minimale de l'optimisation de politique proximale d'objectif tronqué (PPO) dans PyTorch
FinRL®-Meta : ensembles de données dynamiques et environnements de marché pour FinRL.
Une liste organisée de ressources sur les modèles de diffusion en RL (mise à jour en continu)
Apprentissage par renforcement profond pour la navigation de robots mobiles dans le simulateur ROS Gazebo. En utilisant un réseau neuronal Twin Delayed Deep Deterministic Policy Gradient (TD3), un robot apprend à naviguer vers un point cible aléatoire dans un environnement simulé tout en évitant les obstacles.
Une plateforme d'intelligence artificielle pour StarCraft II avec entraînement distribué à grande échelle et agents de niveau Grand Maître.
Framework modulaire d'apprentissage par renforcement profond en PyTorch. Bibliothèque compagnon du livre "Foundations of Deep Reinforcement Learning".
Foire aux questions
Quel est le dépôt #deep-reinforcement-learning le plus populaire sur GitHub ?
Le projet #deep-reinforcement-learning open source le mieux classé sur GitHub est Unity-Technologies/ml-agents, avec 19,887 étoiles. Le Unity Machine Learning Agents Toolkit (ML-Agents) est un projet open-source qui permet aux jeux et simulations de servir d'environnements pour l'entraînement d'agents intelligents en utilisant l'apprentissage par renforcement profond et l'apprentissage par imitation.
Quels langages de programmation sont les plus utilisés dans les dépôts #deep-reinforcement-learning ?
Parmi les projets #deep-reinforcement-learning les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, C#.
Comment le classement des dépôts #deep-reinforcement-learning est-il calculé ?
Nous suivons 99 dépôts open source actifs associés à #deep-reinforcement-learning (500+ étoiles), totalisant 324,947 étoiles, avec une moyenne de 3,282 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.