#deep-reinforcement-learning Dépôts
99 dépôts au total
Une implémentation TensorFlow de cet article Nvidia : https://arxiv.org/pdf/1604.07316.pdf avec quelques modifications
Deep Reinforcement Learning Hands-On : Deuxième Édition, publié par Packt
Un seul dépôt est nécessaire pour l'apprentissage par renforcement multi-agents (MARL)
JMLR : OmniSafe est un cadre d'infrastructure pour accélérer la recherche SafeRL.
Environnements d'apprentissage par renforcement pour le contrôle des feux de circulation avec SUMO. Compatible avec Gymnasium, PettingZoo et les bibliothèques RL populaires.
Ceci est une bibliothèque qui fournit des tâches de manipulation double et adroite des mains via Isaac Gym
Codes sources pour le livre "Reinforcement Learning: Theory and Python Implementation"
[IROS 2024] Apprentissage de la téléopération en temps réel de tout le corps de l'humain au robot humanoïde. [CoRL 2024] OmniH2O : Téléopération et apprentissage universels et dextres de tout le corps de l'humain au robot humanoïde
La pile complète de post-entraînement pour les LLM, ainsi que du RL pour tout problème. SFT, DPO et RL agentique multi-tours, avec optimisation évolutionnaire des hyperparamètres intégrée.
Une liste sélectionnée de ressources formidables sur l'apprentissage par renforcement profond.
Version légère de MAPPO pour vous aider à migrer rapidement vers votre environnement local.
SERL : Une suite logicielle pour l'apprentissage par renforcement robotique efficace en termes d'échantillons
Code du livre Deep Reinforcement Learning in Action de Manning, Inc.
Code Pytorch pour l'article ICLR-2020 "Learning to Explore using Active Neural SLAM"
Le projet open-source unitree_il_lerobot est une modification du framework d'entraînement open-source LeRobot, permettant la formation et les tests de données collectées à l'aide des mains habiles à deux bras du robot G1 de Unitree.
Contrôle de locomotion basé sur l'apprentissage d'OpenRobotLab, y compris le contrôle de locomotion hybride à modèle interne et H-Infini
Un cadre d'apprentissage profond pour l'optimisation symbolique.
Ce dépôt contient la plupart des implémentations classiques d'apprentissage par renforcement profond de PyTorch, y compris - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (D'autres algorithmes sont en cours)
Un framework léger d'apprentissage par renforcement profond pour la gestion de portefeuille. Ce projet explore la possibilité d'appliquer des algorithmes d'apprentissage par renforcement profond au trading d'actions dans un framework hautement modulaire et scalable.
Une extension de la base de code PyMARL qui comprend des algorithmes supplémentaires et une prise en charge de l'environnement
Un package d'apprentissage par renforcement pour Julia
Une bibliothèque PyTorch pour construire des agents d'apprentissage par renforcement profond.
ProphitBet est une application de prédiction des paris sur le football basée sur l’apprentissage automatique. Elle analyse la forme des équipes, calcule les statistiques des matchs et en prédit les résultats à l’aide de méthodes avancées d’apprentissage automatique (ML). Elle propose également des agents de paris basés sur l’apprentissage par renforcement profond (DRL), capables d’apprendre des stratégies de pari optimales.
Training transferable end-to-end quadrotor control policies on a laptop in 18 seconds.
Apprentissage par Renforcement Profond (PPO) en Conduite Autonome (Carla) [à partir de zéro]
DRLib : Une bibliothèque concise d'apprentissage par renforcement profond, intégrant HER, PER et D2SR pour les algorithmes RL presque hors politique.
Fichier '笔和线段的一种划分.py', il suffit d'entrer les données high et low des chandeliers K pour réaliser automatiquement la division en traits, segments de ligne, pivot, points d'achat et de vente, et types de tendance. Vous pouvez utiliser sh.csv comme fichier d'entrée. CV voir.pdf. La puissance du temps. Certains disent que le timing est très difficile, d'autres que choisir des actions est facile, d'autres que les installations IT pour l'arbitrage statistique sont très importantes. Et certains disent que le système a des principes non mesurables. Les opinions divergent. Un système distribué, quand votre influence peut être ignorée, vous pouvez seulement alors le réaliser, comme le disait le président Jiang : s'enrichir en silence. La première semaine, le marché a chuté de 1 %, j'ai gagné dix mille, un profit de 5 %. #Actions #Bourse #ThéorieChan https://v.kuaishou.com/bFEl6M Copiez ce message et ouvrez 【Kwai】 pour voir !
RLGF est un cadre d'entraînement général adapté aux tâches d'apprentissage par renforcement profond pour les UAV. Il intègre également plusieurs algorithmes d'apprentissage par renforcement profond grand public (SAC, DQN, DDQN, PPO, Dueling DQN, DDPG).
Un cadre dans lequel un agent d'apprentissage par renforcement de type Deep Q-Learning tente de choisir la phase de feu de circulation correcte à une intersection afin de maximiser l'efficacité du trafic.
Yang Le Ge Yang + Apprentissage par Renforcement Profond (Deep Reinforcement Learning + 3 Tiles Game)