#reinforcement-learning Repositórios
Descubra 563 repositórios ativos de código aberto no GitHub marcados com #reinforcement-learning, acumulando um total de 2,092,947 estrelas (uma média de 3,717 por projeto). O líder deste tópico é deepseek-ai/DeepSeek-R1, com 91,984 estrelas.
564 repositórios no total
Interface local para executar e treinar LLMs e modelos de difusão. Compatível com GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX e muito mais.
Aprenda engenharia de IA! Aprenda. Construa. Disponibilize para outras pessoas.
🧑🏫 Mais de 60 implementações/tutoriais de artigos de deep learning com notas lado a lado 📝; incluindo transformers (original, xl, switch, feedback, vit, ...), otimizadores (adam, adabelief, sophia, ...), gans (cyclegan, stylegan2, ...), 🎮 aprendizado por reforço (ppo, dqn), capsnet, destilação, ... 🧠
"Compreensão profunda de agentes de IA: princípios de design e prática de engenharia" (por Bojie Li) Repositório principal de código aberto: texto completo, PDF compilado e código complementar por capítulo.
Ray é um motor de computação de IA. O Ray consiste em um runtime distribuído central e um conjunto de Bibliotecas de IA para acelerar cargas de trabalho de ML.
SGLang é uma estrutura de serviço de alto desempenho para grandes modelos de linguagem e modelos multimodais.
Um conjunto de ferramentas para desenvolver e comparar algoritmos de aprendizado por reforço.
ChatDev 2.0: Desenvolver tudo através da colaboração multiagente impulsionada por LLM
🤗 LeRobot: Tornando a IA para Robótica mais acessível com aprendizagem de ponta a ponta
📚 Artigos e blogs de tecnologia de empresas compartilhando seu trabalho em ciência de dados e aprendizado de máquina em produção.
Livro interativo de aprendizado profundo com código de múltiplos frameworks, matemática e discussões. Adotado em 500 universidades de 70 países, incluindo Stanford, MIT, Harvard e Cambridge.
Um conjunto de exemplos em torno de pytorch em Visão, Texto, Aprendizagem por Reforço, etc.
Código para Machine Learning for Trading, 3ª edição — desde a obtenção de dados até a execução ao vivo.
FinGPT: Modelos de Linguagem Grande Financeiros de Código Aberto! Revolucione! 🔥 Lançamos o modelo treinado no HuggingFace.
O Unity Machine Learning Agents Toolkit (ML-Agents) é um projeto de código aberto que permite que jogos e simulações sirvam como ambientes para treinar agentes inteligentes usando aprendizado por reforço profundo e aprendizado por imitação.
Esta é a página inicial de um novo livro intitulado "Fundamentos Matemáticos da Aprendizagem por Reforço."
"Li Hongyi Deep Learning Tutorial" (Recomendado pelo Professor Li Hongyi 👍, Livro da Apple 🍎), endereço para download em PDF: https://github.com/datawhalechina/leedl-tutorial/releases
Uma lista selecionada de cursos, livros, videoaulas e artigos sobre Inteligência Artificial (IA).
OpenAI Baselines: implementações de alta qualidade de algoritmos de aprendizado por reforço
Tutorial de Aprendizagem por Reforço em Chinês (Livro do Cogumelo 🍄), endereço para leitura online: https://datawhalechina.github.io/easy-rl/
Bullet Physics SDK: detecção de colisão em tempo real e simulação multi-física para RV, jogos, efeitos visuais, robótica, aprendizado de máquina, etc.
Implementação em Python de Aprendizagem por Reforço: Uma Introdução
Versão PyTorch do Stable Baselines, implementações confiáveis de algoritmos de aprendizado por reforço.
Mergulhe em Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision e NLP aprendendo com estas palestras emocionantes!!
Uma API padrão para ambientes de aprendizado por reforço de agente único, com ambientes de referência populares e utilitários relacionados (anteriormente Gym)
A plataforma de desenvolvimento de IA. Use Weights & Biases para treinar e ajustar modelos, e gerenciar modelos desde a experimentação até a produção.
Exemplo de 📓 cadernos Jupyter que demonstram como construir, treinar e implantar modelos de aprendizado de máquina usando 🧠 Amazon SageMaker.
Treinador de Reforço de Agentes: treine agentes de várias etapas para tarefas do mundo real usando GRPO. Dê aos seus agentes treinamento no trabalho. Aprendizado por reforço para Qwen3.6, GPT-OSS, Llama e muito mais!
Implementação de alta qualidade em arquivo único de algoritmos de Aprendizagem por Reforço Profundo com recursos amigáveis à pesquisa (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
Minhas anotações e demonstrações continuamente atualizadas de Aprendizado de Máquina, Modelos Probabilísticos e Aprendizado Profundo (mais de 2000 slides) e links de vídeo
Um framework RL agentico fácil de usar, escalável e de alto desempenho baseado em Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)
SANA e Sol: modelos generativos eficientes e mecanismos full-stack de treinamento e inferência para modelagem de imagens, vídeos e do mundo
Ajuste finamente (SFT/RL), avalie e implante facilmente o Qwen, o Gemma ou qualquer LLM/VLM agêntico de código aberto!
Tutoriais simples de Aprendizagem por Reforço, Ensino de IA em Chinês (莫烦Python)
Uma coleção de exemplos e tutoriais de aprendizado de máquina.
Implementação em Python dos algoritmos do livro "Artificial Intelligence - A Modern Approach" de Russell e Norvig
Vowpal Wabbit é um sistema de aprendizado de máquina que impulsiona a fronteira do aprendizado de máquina com técnicas como aprendizado online, hashing, allreduce, reduções, learning2search, ativo e interativo.
Implementação de RLHF (Reinforcement Learning with Human Feedback) sobre a arquitetura PaLM. Basicamente ChatGPT, mas com PaLM
Orquestração distribuída e type-safe de agentes, pipelines de ML e inferência em tempo real no seu k8s — em Python puro com async/await, além de outras linguagens (Rust, Go e TypeScript)
Torne-se um pesquisador/engenheiro de IA/ML de elite com este livro didático não convencional que aborda matemática, computação e aprendizado de máquina com intuição.
Perguntas Frequentes
Qual é o repositório de #reinforcement-learning mais popular no GitHub?
O projeto de código aberto de #reinforcement-learning mais bem classificado no GitHub é deepseek-ai/DeepSeek-R1, com 91,984 estrelas.
Quais linguagens de programação são mais usadas nos repositórios de #reinforcement-learning?
Entre os projetos de #reinforcement-learning mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, C#.
Como é calculada a classificação dos repositórios de #reinforcement-learning?
Acompanhamos 563 repositórios ativos de código aberto marcados com #reinforcement-learning (com mais de 500 estrelas), totalizando 2,092,947 estrelas e uma média de 3,717 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.