sde

Versión en PyTorch de Stable Baselines, implementaciones confiables de algoritmos de aprendizaje por refuerzo.

Este repositorio contiene oportunidades para postularse a más de 400 empresas de productos (NO SOLO FAANGM) y buenas startups.

Suite multilingüe para solucionadores de alto rendimiento de ecuaciones diferenciales y componentes de aprendizaje automático científico (SciML). Ecuaciones diferenciales ordinarias (ODEs), ecuaciones diferenciales estocásticas (SDEs), ecuaciones diferenciales con retraso (DDEs), ecuaciones diferenciales-algebraicas (DAEs) y más en Julia.

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

Modelos de difusión en imágenes médicas (Publicado en la revista Medical Image Analysis)

Un marco de modelado acausal para el aprendizaje automático científico (SciML) paralelizado automáticamente en Julia. Un sistema de álgebra computacional para simbólicos integrados destinados al aprendizaje automático informado por la física y transformaciones automatizadas de ecuaciones diferenciales.

Paquete contrib para Stable-Baselines3: código experimental de aprendizaje por refuerzo (RL)

Resolución de ecuaciones diferenciales en Python utilizando DifferentialEquations.jl y la organización SciML Scientific Machine Learning.

Interfaz de redes de reacciones químicas y biología de sistemas para aprendizaje automático científico (SciML). Software de código abierto de alto rendimiento, paralelizado en GPU y con solucionadores O(1).