#reinforcement-learning Repository
Scopri 563 repository GitHub open source attivi contrassegnati con #reinforcement-learning, che raccolgono un totale di 2,092,947 stelle (con una media di 3,717 stelle per progetto). Il progetto leader di questo argomento è deepseek-ai/DeepSeek-R1, con 91,984 stelle.
564 repository in totale
Interfaccia locale per eseguire e addestrare LLM e modelli di diffusione. Supporta GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX e altro.
Impara l’ingegneria dell’IA! Imparala. Costruiscila. Mettila a disposizione degli altri.
🧑🏫 60+ Implementazioni/tutorial di pubblicazioni di deep learning con note affiancate 📝; inclusi transformer (original, xl, switch, feedback, vit, ...), ottimizzatori (adam, adabelief, sophia, ...), gans(cyclegan, stylegan2, ...), 🎮 reinforcement learning (ppo, dqn), capsnet, distillazione, ... 🧠
Nessuna fortezza, terreno completamente aperto. OpenManus sta arrivando.
"Comprensione profonda degli agenti IA: principi di progettazione e pratica ingegneristica" (di Bojie Li) Repository principale open source: testo completo, PDF compilato e codice di accompagnamento capitolo per capitolo.
Ray è un motore di calcolo AI. Ray consiste in un runtime distribuito principale e un set di librerie AI per accelerare i carichi di lavoro ML.
SGLang è un framework di serving ad alte prestazioni per modelli linguistici di grandi dimensioni e modelli multimodali.
Un kit di strumenti per sviluppare e confrontare algoritmi di apprendimento per rinforzo.
ChatDev 2.0: Sviluppare tutto attraverso la collaborazione multi-agente basata su LLM
🤗 LeRobot: Rendere l'IA per la robotica più accessibile con l'apprendimento end-to-end
📚 Paper e blog tecnici di aziende che condividono il loro lavoro su data science e machine learning in produzione.
Libro interattivo di deep learning con codice multi-framework, matematica e discussioni. Adoptato in 500 università di 70 paesi, inclusi Stanford, MIT, Harvard e Cambridge.
Una serie di esempi su Pytorch in Vision, Testo, Apprendimento per Rinforzo, ecc.
Codice per Machine Learning for Trading, 3ª edizione — dall'acquisizione dei dati all'esecuzione in tempo reale.
FinGPT: Modelli linguistici di grandi dimensioni open-source per la finanza! Rivoluziona 🔥 Rilasciamo il modello addestrato su HuggingFace.
Il Unity Machine Learning Agents Toolkit (ML-Agents) è un progetto open-source che consente a giochi e simulazioni di fungere da ambienti per l'addestramento di agenti intelligenti utilizzando deep reinforcement learning e imitation learning.
Questa è la homepage di un nuovo libro intitolato "Mathematical Foundations of Reinforcement Learning."
《Tutorial di Deep Learning di Li Hongyi》(Raccomandato dal professor Li Hongyi 👍, Apple Books 🍎), Link per il download PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Un elenco curato di corsi, libri, videolezioni e articoli sull'Intelligenza Artificiale (AI).
OpenAI Baselines: implementazioni di alta qualità di algoritmi di apprendimento per rinforzo
Tutorial di Reinforcement Learning in Cinese (Libro dei Funghi 🍄), indirizzo di lettura online: https://datawhalechina.github.io/easy-rl/
Bullet Physics SDK: rilevamento di collisioni in tempo reale e simulazione multi-fisica per VR, giochi, effetti visivi, robotica, machine learning, ecc.
Implementazione in Python del Reinforcement Learning: Un'Introduzione
Versione PyTorch di Stable Baselines, implementazioni affidabili di algoritmi di reinforcement learning.
Immergiti in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision e NLP imparando da queste lezioni entusiasmante!!
Un'API standard per ambienti di apprendimento per rinforzo a singolo agente, con ambienti di riferimento popolari e utilità correlate (ex Gym)
La piattaforma per sviluppatori AI. Usa Weights & Biases per addestrare e affinare modelli, e gestire modelli dall'esperimentazione alla produzione.
Notebook Jupyter 📓 di esempio che dimostrano come costruire, addestrare e distribuire modelli di machine learning utilizzando 🧠 Amazon SageMaker.
Agent Reinforcement Trainer: addestra agenti multi-step per attività del mondo reale utilizzando GRPO. Fornisci ai tuoi agenti una formazione sul campo. Apprendimento per rinforzo per Qwen3.6, GPT-OSS, Llama e altro ancora!
Implementazione in un singolo file di alta qualità di algoritmi di Deep Reinforcement Learning con funzionalità user-friendly per la ricerca (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Le mie note e demo continuamente aggiornate su Machine Learning, Modelli Probabilistici e Deep Learning (2000+ diapositive) I miei materiali didattici aggiornati ininterrottamente su machine learning, modelli probabilistici e deep learning (2000+ pagine) e link video
Un framework RL agentico facile da usare, scalabile e ad alte prestazioni basato su Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA e Sol: modelli generativi efficienti e motori full-stack per l’addestramento e l’inferenza nella modellazione di immagini, video e del mondo
Metti facilmente a punto (SFT/RL), valuta e distribuisci Qwen, Gemma o qualsiasi LLM/VLM agentico open source!
Tutorial semplici di apprendimento per rinforzo, 莫烦Python insegnamento AI in cinese
Implementazione in Python degli algoritmi da Russell e Norvig's "Artificial Intelligence - A Modern Approach"
slime è un framework per l’addestramento di LLM pensato per scalare l’apprendimento per rinforzo.
Vowpal Wabbit è un sistema di machine learning che spinge i confini del machine learning con tecniche come online, hashing, allreduce, reductions, learning2search, active e interactive learning.
Implementazione di RLHF (Reinforcement Learning with Human Feedback) sull'architettura PaLM. Fondamentalmente ChatGPT ma con PaLM
Orchestrazione distribuita e type-safe di agenti, pipeline ML e inferenza in tempo reale sul tuo k8s — in puro Python con async/await e anche in altri linguaggi (Rust, Go e TypeScript)
Diventa un ricercatore/ingegnere di IA/ML di alto livello con questo libro di testo non convenzionale che copre matematica, informatica e ML con intuizione.
Domande frequenti
Qual è il repository #reinforcement-learning più popolare su GitHub?
Il progetto open source #reinforcement-learning più alto in classifica su GitHub è deepseek-ai/DeepSeek-R1, con 91,984 stelle.
Quali linguaggi di programmazione sono più utilizzati nei repository #reinforcement-learning?
Tra i progetti #reinforcement-learning più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, C#.
Come viene calcolata la classifica dei repository #reinforcement-learning?
Monitoriamo 563 repository open source attivi contrassegnati con #reinforcement-learning (500+ stelle), per un totale di 2,092,947 stelle e una media di 3,717 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.