reinforcement-learning

🤖 Leitfaden für Machine Learning Summer Schools

TF-Agents: Eine zuverlässige, skalierbare und benutzerfreundliche TensorFlow-Bibliothek für Contextual Bandits und Reinforcement Learning.

Forschungsarbeiten und Code zu Deep Learning und Deep Reinforcement Learning

Isaac Lab API, angetrieben von MuJoCo-Warp, für RL- und Robotikforschung

Ein vollständig quelloffener humanoider Arm für die physische KI-Forschung und den Einsatz in kontaktintensiven Umgebungen.

Ein Trainings-Framework für Reinforcement-Learning-Agenten von Stable Baselines3, einschließlich Hyperparameter-Optimierung und vortrainierten Agenten.

Implementierung von wissenschaftlichen Arbeiten in 100 Zeilen Code.

MuZero

Einfache und umfassende Tutorials zu TensorFlow

Eine Bibliothek von KI-Agenten auf Unternehmensebene, die künstliche Intelligenz demokratisieren und kostenlose Open-Source-Alternativen zu überbewerteten Y Combinator-Startups bieten soll.

RAGEN nutzt Reinforcement Learning, um LLM-Reasoning-Agenten in interaktiven, stochastischen Umgebungen zu trainieren.

Monte-Carlo-Baumsuche in JAX

PPO x Family DRL Tutorial-Kurs

Ausgewählte Deep-Learning-Paper für industrielle Suche, Empfehlung und Werbung. Sie konzentrieren sich auf Embedding, Matching, Pre-Ranking, Ranking, Post-Ranking, Relevanz, LLM und RL. Bitte zitieren Sie unser Paper „Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives“ (TOIS 2026).

robosuite: Ein modulares Simulationsframework und Benchmark für Roboterlernen

Awesome Reasoning LLM Tutorial/Survey/Guide

Lösungen zu Reinforcement Learning, An Introduction

Eine modulare RL-Bibliothek zur Feinabstimmung von Sprachmodellen auf menschliche Präferenzen

Die einfachste, flexibelste und umfassendste OpenAI-Gym-Trading-Umgebung (von OpenAI Gym genehmigt)

Minimale Implementierung von PPO (Proximal Policy Optimization) mit gekappter Zielfunktion in PyTorch

ProtoMotions ist ein GPU-beschleunigtes Simulations- und Lernframework zum Trainieren physikalisch simulierter digitaler Menschen und humanoider Roboter.

ICCV2019 – Learning to Paint With Model-based Deep Reinforcement Learning

Deep Reinforcement Learning: Von Null auf Hundert!

Eine leichtgewichtige Suite von Bewegungsimitationsmethoden zum Trainieren von Controllern.

verl-agent ist eine Erweiterung von veRL, entwickelt für das Training von LLM/VLM-Agenten mittels RL. verl-agent ist zudem der offizielle Code zum Paper „Group-in-Group Policy Optimization for LLM Agent Training“.

Eine Sammlung von Industrie-Klassikern und bahnbrechenden Papers aus den Bereichen Empfehlung, Werbung und Suche.

PyBullet Gymnasium-Umgebungen für das Single- und Multi-Agenten-Reinforcement-Learning zur Quadcopter-Steuerung

[RSS 2025] „ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills“

DIAMOND (DIffusion As a Model Of eNvironment Dreams) ist ein Reinforcement-Learning-Agent, trainiert in einem Diffusions-Weltmodell. NeurIPS 2024 Spotlight.

Reinforcement-Learning-Umgebungen basierend auf dem Spiel Doom von 1993 :godmode: