deep-reinforcement-learning

Le toolkit Unity Machine Learning Agents (ML-Agents) est un projet open source permettant d'utiliser des jeux et des simulations comme environnements pour entraîner des agents intelligents via l'apprentissage par renforcement profond et l'apprentissage par imitation.

Simulateur open source pour véhicules autonomes basé sur Unreal Engine / Unity, développé par Microsoft AI & Research.

FinRL® : Apprentissage par renforcement financier.

Tutoriel d'apprentissage par renforcement en chinois (Livre Champignon 🍄), lecture en ligne : https://datawhalechina.github.io/easy-rl/

Simulateur open source pour la recherche sur la conduite autonome.

Plongez dans le Deep Learning, l'apprentissage par renforcement, le Machine Learning, la vision par ordinateur et le NLP grâce à ces cours passionnants !

Tutoriels, devoirs et compétitions pour les cours liés au Deep Learning du MIT.

Implémentation haute qualité en fichier unique d'algorithmes d'apprentissage par renforcement profond avec des fonctionnalités adaptées à la recherche (PPO, DQN, C51, DDPG, TD3, SAC, PPG).

Apprentissage par renforcement profond instrumentant bettercap pour le piratage WiFi.

Supports de cours pour MIT 6.S191 : Introduction au Deep Learning

Hack de Flappy Bird utilisant l'apprentissage par renforcement profond (Deep Q-learning).

Un cours sur l'apprentissage par renforcement en conditions réelles

Dépôt pour le programme Nanodegree en Deep Reinforcement Learning

Ce dépôt contient le cours d'apprentissage par renforcement profond de Hugging Face.

« Grands modèles de langage » par Zhao Xin, Li Junyi, Zhou Kun, Tang Tianyi et Wen Jirong

Une liste organisée de ressources sur l'apprentissage par renforcement à partir de rétroaction humaine (mise à jour continue).

Exemples d'apprentissage par renforcement minimalistes et épurés.

FinRL-X : Une infrastructure modulaire nativement IA pour le trading quantitatif.

Apprentissage par renforcement / Bots IA pour jeux de cartes (Poker) - Blackjack, Leduc, Texas, DouDizhu, Mahjong, UNO.

Implémentation modulaire d'algorithmes de Deep RL en PyTorch

Implémentation PyTorch propre, robuste et unifiée d'algorithmes populaires d'apprentissage par renforcement profond (DRL) (Q-learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL)

Tensorforce : une bibliothèque TensorFlow pour l'apprentissage par renforcement appliqué

Moteur d'échecs open-source basé sur les réseaux de neurones avec accélération GPU et large prise en charge matérielle.

Une bibliothèque modulaire de haut niveau pour entraîner des agents d'IA incarnés à travers diverses tâches et environnements.

Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, incluant l'optimisation des hyperparamètres et des agents pré-entraînés.

MuZero

Cours tutoriel PPO x Family DRL (Cours public d'introduction à l'intelligence décisionnelle : 8 leçons pour maîtriser la théorie des algorithmes, la logique du code et les applications pratiques de l'IA décisionnelle).

Implémentation minimale de l'algorithme PPO (Proximal Policy Optimization) avec objectif écrêté en PyTorch

Apprentissage par renforcement profond : de zéro à héros

FinRL-Meta : Jeux de données dynamiques et environnements de marché pour FinRL.