deep-reinforcement-learning

El kit de herramientas de agentes de aprendizaje automático de Unity (ML-Agents) es un proyecto de código abierto que permite que los juegos y simulaciones sirvan como entornos para entrenar agentes inteligentes mediante aprendizaje por refuerzo profundo y aprendizaje por imitación.

Simulador de código abierto para vehículos autónomos construido sobre Unreal Engine / Unity, de Microsoft AI & Research

FinRL®: Aprendizaje por refuerzo financiero. 🔥

Tutorial en chino de aprendizaje por refuerzo (Libro de hongos 🍄), dirección de lectura en línea: https://datawhalechina.github.io/easy-rl/

Simulador de código abierto para la investigación de conducción autónoma.

¡Sumérgete en Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision y NLP aprendiendo de estas emocionantes conferencias!

Tutoriales, tareas y competiciones para los cursos relacionados con Deep Learning del MIT.

Implementación de archivo único de alta calidad de algoritmos de aprendizaje por refuerzo profundo con características amigables para la investigación (PPO, DQN, C51, DDPG, TD3, SAC, PPG)

(⌐■_■) - Aprendizaje por refuerzo profundo que instrumenta bettercap para descifrar redes WiFi.

Materiales de laboratorio para MIT 6.S191: Introducción al Deep Learning

Hack de Flappy Bird utilizando aprendizaje por refuerzo profundo (Deep Q-learning).

Un curso de aprendizaje por refuerzo en el mundo real

Repositorio para el programa Nanodegree de Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning)

Este repositorio contiene el curso de Aprendizaje por Refuerzo Profundo de Hugging Face.

"Grandes Modelos de Lenguaje" Autores: Zhao Xin, Li Junyi, Zhou Kun, Tang Tianyi, Wen Jirong

Una lista seleccionada de recursos sobre aprendizaje por refuerzo con retroalimentación humana (actualizada continuamente)

Ejemplos de aprendizaje por refuerzo mínimos y limpios

FinRL-X: Una infraestructura modular nativa de IA para el trading cuantitativo

Aprendizaje reforzado / Bots de IA en juegos de cartas (póker): Blackjack, Leduc, Texas, DouDizhu, Mahjong, UNO.

Implementación modularizada de algoritmos de RL profundo en PyTorch

Implementación en PyTorch limpia, robusta y unificada de algoritmos populares de Aprendizaje por Refuerzo Profundo (DRL) (Q-learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL)

Tensorforce: una librería de TensorFlow para aprendizaje por refuerzo aplicado

Motor de ajedrez basado en redes neuronales de código abierto con aceleración por GPU y amplio soporte de hardware.

Una biblioteca modular de alto nivel para entrenar agentes de IA incorporada en una variedad de tareas y entornos.

Un framework de entrenamiento para agentes de aprendizaje por refuerzo de Stable Baselines3, con optimización de hiperparámetros y agentes pre-entrenados incluidos.

MuZero

Curso tutorial de DRL PPO x Family (Curso abierto de introducción a la inteligencia de decisiones: 8 lecciones para aclarar la teoría de algoritmos, ordenar la lógica del código y dominar la práctica de aplicaciones de IA de decisiones)

Implementación mínima de Proximal Policy Optimization (PPO) con objetivo recortado en PyTorch

Aprendizaje por refuerzo profundo: ¡De cero a héroe!

FinRL-Meta: Conjuntos de datos dinámicos y entornos de mercado para FinRL.