#deep-reinforcement-learning Repository
99 repository in totale
Un'implementazione TensorFlow di questo paper Nvidia: https://arxiv.org/pdf/1604.07316.pdf con alcune modifiche
Deep Reinforcement Learning Hands-On: Seconda Edizione, pubblicato da Packt
Un repository รจ tutto ciรฒ che รจ necessario per il Multi-agent Reinforcement Learning (MARL)
JMLR: OmniSafe รจ un framework infrastrutturale per accelerare la ricerca SafeRL.
Ambienti di Reinforcement Learning per il Controllo del Traffico con i Semafori con SUMO. Compatibile con Gymnasium, PettingZoo e librerie RL popolari.
Questa รจ una libreria che fornisce compiti di manipolazione duale di mani esperte tramite Isaac Gym
Codici sorgente per il libro "Reinforcement Learning: Theory and Python Implementation"
[IROS 2024] Apprendimento della teleoperazione in tempo reale di tutto il corpo da umano a umanoide. [CoRL 2024] OmniH2O: Teleoperazione e apprendimento universale e destrorso di tutto il corpo da umano a umanoide
Lo stack completo di post-training per gli LLM, piรน RL per qualsiasi problema. SFT, DPO e RL agentico multi-turno, con ottimizzazione evolutiva degli iperparametri integrata.
Versione leggera di MAPPO per aiutarti a migrare rapidamente nel tuo ambiente locale.
SERL: Una suite software per l'apprendimento per rinforzo robotico efficiente in termini di campioni
Codice dal libro Deep Reinforcement Learning in Action di Manning, Inc.
Codice Pytorch per l'articolo ICLR-2020 "Learning to Explore using Active Neural SLAM"
Il progetto open-source unitree_il_lerobot รจ una modifica del framework di addestramento open-source LeRobot, che consente l'addestramento e il test dei dati raccolti utilizzando le mani destre a doppio braccio del robot G1 di Unitree.
Controllo della locomozione basato sull'apprendimento da OpenRobotLab, incluso il controllo della locomozione con modello interno ibrido e H-Infinity
Questo repository contiene la maggior parte delle implementazioni classiche di deep reinforcement learning di PyTorch, tra cui - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (Altri algoritmi sono in corso)
Un framework leggero di deep reinforcement learning per la gestione del portafoglio. Questo progetto esplora la possibilitร di applicare algoritmi di deep reinforcement learning al trading di azioni in un framework altamente modulare e scalabile.
Un'estensione della codebase PyMARL che include algoritmi aggiuntivi e supporto per l'ambiente
Un pacchetto di apprendimento per rinforzo per Julia
Una libreria PyTorch per la costruzione di agenti di apprendimento profondo per rinforzo.
ProphitBet รจ unโapplicazione per prevedere le scommesse sul calcio basata sul machine learning. Analizza la forma delle squadre, calcola le statistiche delle partite e ne prevede gli esiti utilizzando metodi avanzati di machine learning (ML). Inoltre, offre agenti di scommessa basati sul deep reinforcement learning (DRL), in grado di apprendere strategie di scommessa ottimali.
Training transferable end-to-end quadrotor control policies on a laptop in 18 seconds.
Apprendimento per Rinforzo Profondo (PPO) nella Guida Autonoma (Carla) [da zero]
DRLib: Una concisa libreria di Deep Reinforcement Learning, che integra HER, PER e D2SR per algoritmi RL quasi Off-Policy.
File '็ฌๅ็บฟๆฎต็ไธ็งๅๅ.py', basta inserire i dati high e low delle candele K per realizzare automaticamente la suddivisione in tratti, segmenti di linea, nucleo, punti di acquisto e vendita, tipi di trend. Puoi usare sh.csv come file di input. Curriculum in pdf. Il potere del tempo. Alcuni dicono che il timing รจ molto difficile, altri che selezionare azioni รจ facile, altri che le strutture IT per l'arbitraggio statistico sono molto importanti. E alcuni dicono che il sistema ha principi imprevedibili. Opinioni contrastanti. Un sistema distribuito, quando il tuo impatto puรฒ essere ignorato, solo allora puoi realizzarlo, come diceva il presidente Jiang: arricchirsi in silenzio. Nella prima settimana, il mercato รจ sceso dell'1%, ho guadagnato diecimila, un 5% di profitto. #Azioni #Borsa #TeoriaChan https://v.kuaishou.com/bFEl6M Copia questo messaggio e apri ใKwaiใ per visualizzare!
RLGF รจ un framework di addestramento generale adatto per i compiti di apprendimento per rinforzo profondo degli UAV. E integra molteplici algoritmi mainstream di apprendimento per rinforzo profondo (SAC, DQN, DDQN, PPO, Dueling DQN, DDPG).
Un framework in cui un agente di Deep Q-Learning Reinforcement Learning tenta di scegliere la corretta fase semaforica in un incrocio per massimizzare l'efficienza del traffico.
Yang Le Ge Yang + Apprendimento per Rinforzo Profondo (Deep Reinforcement Learning + 3 Tiles Game)