#reinforcement-learning Dépôts
Découvrez 563 dépôts GitHub open source actifs associés à #reinforcement-learning, cumulant 2,092,947 étoiles au total (soit une moyenne de 3,717 étoiles par projet). Le projet en tête de ce thème est deepseek-ai/DeepSeek-R1, avec 91,984 étoiles.
564 dépôts au total
Interface locale pour exécuter et entraîner des LLM et des modèles de diffusion. Compatible avec GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX et bien d’autres.
Apprenez l’ingénierie de l’IA ! Apprenez-la. Construisez-la. Mettez-la à la disposition des autres.
🧑🏫 60+ implémentations/tutoriels d'articles de deep learning avec des notes côte à côte 📝; y compris les transformers (original, xl, switch, feedback, vit, ...), les optimiseurs (adam, adabelief, sophia, ...), les gans (cyclegan, stylegan2, ...), 🎮 l'apprentissage par renforcement (ppo, dqn), les capsnet, la distillation, ... 🧠
« Comprendre en profondeur les agents IA : principes de conception et pratique de l'ingénierie » (par Bojie Li) Dépôt open source principal : texte intégral, PDF compilé et code d'accompagnement chapitre par chapitre.
Ray est un moteur de calcul IA. Ray est composé d'un runtime distribué central et d'un ensemble de bibliothèques IA pour accélérer les charges de travail ML.
SGLang est un framework de service haute performance pour les grands modèles linguistiques et les modèles multimodaux.
Un kit d'outils pour développer et comparer des algorithmes d'apprentissage par renforcement.
ChatDev 2.0 : Développer l'ensemble grâce à la collaboration multi-agents alimentée par LLM
🤗 LeRobot: Rendre l'IA pour la robotique plus accessible grâce à l'apprentissage de bout en bout
📚 Articles et blogs tech d'entreprises partageant leur travail sur la science des données et l'apprentissage automatique en production.
Livre interactif sur l'apprentissage profond avec code multi-frameworks, mathématiques et discussions. Adopté dans 500 universités de 70 pays, dont Stanford, MIT, Harvard et Cambridge.
Un ensemble d'exemples autour de Pytorch dans les domaines de la vision, du texte, de l'apprentissage par renforcement, etc.
Code pour Machine Learning for Trading, 3e édition — de l'acquisition de données à l'exécution en direct.
FinGPT: Grands modèles linguistiques open-source pour la finance! Révolutionnez 🔥 Nous publions le modèle entraîné sur HuggingFace.
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.
Ceci est la page d'accueil d'un nouveau livre intitulé "Mathematical Foundations of Reinforcement Learning."
《Tutoriel d'apprentissage profond de Li Hongyi》(Recommandé par le professeur Li Hongyi 👍, Apple Books 🍎), Lien de téléchargement PDF : https://github.com/datawhalechina/leedl-tutorial/releases
Une liste organisée de cours, livres, conférences vidéo et articles sur l'intelligence artificielle (IA).
OpenAI Baselines : implémentations de haute qualité d'algorithmes d'apprentissage par renforcement
Tutoriel d'apprentissage par renforcement en français (Livre champignon 🍄), adresse de lecture en ligne : https://datawhalechina.github.io/easy-rl/
Bullet Physics SDK : détection de collisions en temps réel et simulation multi-physique pour VR, jeux, effets visuels, robotique, apprentissage automatique, etc.
Implémentation en Python de l'Apprentissage par Renforcement : Une Introduction
Version PyTorch de Stable Baselines, implémentations fiables d'algorithmes d'apprentissage par renforcement.
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 API standard pour les environnements d'apprentissage par renforcement à agent unique, avec des environnements de référence populaires et des utilitaires associés (anciennement Gym)
La plateforme pour les développeurs d'IA. Utilisez Weights & Biases pour entraîner et affiner les modèles, et gérer les modèles de l'expérimentation à la production.
Exemples de carnets Jupyter 📓 démontrant comment construire, entraîner et déployer des modèles d'apprentissage automatique en utilisant 🧠 Amazon SageMaker.
Entraîneur par renforcement d'agents : entraînez des agents multi-étapes pour des tâches réelles en utilisant GRPO. Offrez à vos agents une formation en cours d'emploi. Apprentissage par renforcement pour Qwen3.6, GPT-OSS, Llama et plus encore !
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)
Mes notes et démos continuellement mises à jour sur Machine Learning, Modèles Probabilistes et Deep Learning (2000+ diapositives) Mes supports de cours mis à jour sans interruption sur l'apprentissage automatique, les modèles probabilistes et l'apprentissage profond (2000+ pages) et liens vidéo
Un framework RL agentique facile à utiliser, scalable et haute performance basé sur Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA et Sol : modèles génératifs efficaces et moteurs complets d’entraînement et d’inférence pour la modélisation d’images, de vidéos et du monde
Affinez facilement (SFT/RL), évaluez et déployez Qwen, Gemma ou tout LLM/VLM agentique open source !
Tutoriels simples d'apprentissage par renforcement, 莫烦Python enseignement IA en chinois
Une collection d'exemples et de tutoriels d'apprentissage automatique.
Implémentation en Python des algorithmes de Russell et Norvig dans "Artificial Intelligence - A Modern Approach"
slime est un framework d’entraînement de LLM conçu pour la mise à l’échelle de l’apprentissage par renforcement.
Vowpal Wabbit est un système d'apprentissage automatique qui repousse les frontières de l'apprentissage automatique avec des techniques telles que online, hashing, allreduce, reductions, learning2search, active et interactive learning.
Implémentation de RLHF (Reinforcement Learning with Human Feedback) par-dessus l'architecture PaLM. Essentiellement ChatGPT mais avec PaLM
Orchestration distribuée et sûre du point de vue des types d’agents, de pipelines de ML et d’inférence en temps réel sur votre k8s — en Python pur avec async/await, ainsi que dans d’autres langages (Rust, Go et TypeScript)
Devenez un chercheur/ingénieur en IA/ML hors pair grâce à ce manuel non conventionnel qui aborde les mathématiques, l'informatique et le ML avec intuition.
Foire aux questions
Quel est le dépôt #reinforcement-learning le plus populaire sur GitHub ?
Le projet #reinforcement-learning open source le mieux classé sur GitHub est deepseek-ai/DeepSeek-R1, avec 91,984 étoiles.
Quels langages de programmation sont les plus utilisés dans les dépôts #reinforcement-learning ?
Parmi les projets #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 #reinforcement-learning est-il calculé ?
Nous suivons 563 dépôts open source actifs associés à #reinforcement-learning (500+ étoiles), totalisant 2,092,947 étoiles, avec une moyenne de 3,717 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.