#deep-reinforcement-learning Repositórios
99 repositórios no total
Uma implementação em TensorFlow deste artigo da Nvidia: https://arxiv.org/pdf/1604.07316.pdf com algumas alterações
Deep-Reinforcement-Learning-Hands-On-Second-Edition, publicado pela Packt
Apenas um repositório é tudo o que é necessário para a Aprendizagem por Reforço Multiagente (MARL)
JMLR: OmniSafe é uma estrutura de infraestrutura para acelerar a pesquisa em SafeRL.
Ambientes de Aprendizagem por Reforço para Controle de Semáforos com SUMO. Compatível com Gymnasium, PettingZoo e bibliotecas populares de RL.
Esta é uma biblioteca que fornece tarefas de manipulação bimanual destras através do Isaac Gym
Códigos-fonte para o livro "Aprendizado por Reforço: Teoria e Implementação em Python"
[IROS 2024] Aprendizagem de Teleoperação de Corpo Inteiro em Tempo Real de Humano para Humanóide. [CoRL 2024] OmniH2O: Teleoperação e Aprendizagem de Corpo Inteiro Universal e Destra de Humano para Humanóide
A stack completa de pós-treinamento para LLMs, além de RL para qualquer problema. SFT, DPO e RL agêntico em múltiplos turnos, com otimização evolutiva de hiperparâmetros integrada.
Uma lista selecionada de ótimos recursos de Aprendizagem por Reforço Profundo.
Versão leve do MAPPO para ajudar você a migrar rapidamente para o seu ambiente local.
SERL: Um Suíte de Software para Aprendizado por Reforço Robótico Eficiente em Amostra
Código do livro Deep Reinforcement Learning in Action da Manning, Inc
Código Pytorch para o Artigo ICLR-20 "Aprendendo a Explorar usando SLAM Neural Ativo"
O projeto de código aberto unitree_il_lerobot é uma modificação da estrutura de treinamento de código aberto LeRobot, permitindo o treinamento e teste de dados coletados usando as mãos destras de braço duplo do robô G1 da Unitree.
Controle de locomoção baseado em aprendizado do OpenRobotLab, incluindo Modelo Interno Híbrido e Controle de Locomoção H-Infinity
Uma estrutura de aprendizado profundo para otimização simbólica.
Este repositório contém a maioria das implementações clássicas de aprendizado por reforço profundo do PyTorch, incluindo - DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (Mais algoritmos estão em andamento)
Uma estrutura leve de aprendizado por reforço profundo para gerenciamento de portfólio. Este projeto explora a possibilidade de aplicar algoritmos de aprendizado por reforço profundo à negociação de ações em uma estrutura altamente modular e escalável.
Uma extensão da base de código PyMARL que inclui algoritmos adicionais e suporte a ambientes
Um pacote de aprendizado por reforço para Julia
Uma biblioteca PyTorch para construir agentes de aprendizado por reforço profundo.
ProphitBet é uma aplicação de previsão de apostas em futebol baseada em aprendizagem automática. Analisa a forma das equipas, calcula estatísticas dos jogos e prevê os resultados utilizando métodos avançados de aprendizagem automática (ML). Além disso, disponibiliza agentes de apostas baseados em aprendizagem por reforço profundo (DRL), capazes de aprender estratégias de apostas ideais.
Treinamento de políticas de controle quadricóptero ponta a ponta transferíveis em um laptop em 18 segundos.
Aprendizagem por Reforço Profunda (PPO) em Condução Autónoma (Carla) [do zero]
DRLib: uma Biblioteca Concisa de Aprendizagem por Reforço Profundo, Integrando HER, PER e D2SR para Algoritmos RL Quase Off-Policy.
Arquivo Divisão de pincéis e segmentos.py, basta inserir os dados high e low da linha k, e ele pode realizar automaticamente a divisão de pincéis, segmentos, centros, pontos de compra e venda e tipos de tendências. Você pode usar sh.csv como arquivo de entrada. Currículo pessoal em .pdf. O poder do tempo. Alguns dizem que é difícil escolher o momento certo, outros dizem que é fácil escolher ações, alguns dizem que as instalações de TI necessárias para arbitragem estatística são importantes. Outros dizem que os sistemas têm princípios de imprevisibilidade. Há muitas opiniões diferentes. Em um sistema distribuído, quando sua influência pode ser ignorada, você pode alcançar o que o Presidente Jiang chamou de 'ficar rico em silêncio'. Na primeira semana, o mercado caiu 1%, ganhei 10.000 e ganhei 5%. #ações #mercado #Chuantrading https://v.kuaishou.com/bFEl6M Copie esta mensagem e abra 【Kwai】 para visualizar!
RLGF é uma estrutura de treinamento geral adequada para tarefas de aprendizado por reforço profundo de UAV. E integra múltiplos algoritmos mainstream de aprendizado por reforço profundo (SAC, DQN, DDQN, PPO, Dueling DQN, DDPG).
Uma estrutura onde um agente de aprendizado por reforço de Deep Q-Learning tenta escolher a fase correta do semáforo em um cruzamento para maximizar a eficiência do tráfego.
Yang Le Ge Yang + Aprendizado por Reforço Profundo (Deep Reinforcement Learning + 3 Tiles Game)