deep-reinforcement-learning

Jouer au jeu du serpent avec l'IA.

Top 200 des dépôts GitHub sur le deep learning classés par nombre d'étoiles.

Une bibliothèque d'apprentissage par renforcement profond hors ligne

Une liste organisée de ressources sur les modèles de diffusion en apprentissage par renforcement (mis à jour régulièrement).

Cours gratuit pour passer de débutant à expert en apprentissage par renforcement.

Pour l'apprentissage par renforcement profond et le futur de l'IA.

Plateforme d'intelligence artificielle pour StarCraft II avec entraînement distribué à grande échelle et agents de niveau grand maître.

Apprentissage par renforcement profond pour la navigation de robots mobiles dans le simulateur ROS Gazebo. En utilisant le réseau de neurones TD3 (Twin Delayed Deep Deterministic Policy Gradient), un robot apprend à naviguer vers un point cible aléatoire dans un environnement simulé tout en évitant les obstacles.

Framework modulaire d'apprentissage par renforcement profond en PyTorch. Bibliothèque compagnon du livre "Foundations of Deep Reinforcement Learning".

Un seul dépôt suffit pour l'apprentissage par renforcement multi-agents (MARL)

Implémentations minimales de Deep Q Learning (DQN & DDQN) avec Keras

JMLR : OmniSafe est un framework infrastructurel destiné à accélérer la recherche en SafeRL.

Implémentations RL de bout en bout extrêmement rapides avec Jax.

Bibliothèque fournissant des tâches de manipulation à deux mains dextres via Isaac Gym

Environnements d'apprentissage par renforcement pour le contrôle des feux de signalisation avec SUMO. Compatible avec Gymnasium, PettingZoo et les bibliothèques RL populaires.

Codes sources du livre Reinforcement Learning: Theory and Python Implementation

Optimisation de l'apprentissage par renforcement avec RLOps. Algorithmes et outils RL de pointe, avec un entraînement 10 fois plus rapide grâce à l'optimisation évolutionnaire des hyperparamètres.

Environnements Gibson : perception du monde réel pour les agents incarnés

Bibliothèque Python pour l'apprentissage par renforcement.

Une liste organisée de ressources sur l'apprentissage par renforcement profond (Deep Reinforcement Learning).

Code PyTorch pour l'article ICLR-20 "Learning to Explore using Active Neural SLAM".

Ce dépôt contient la plupart des implémentations PyTorch des algorithmes classiques d'apprentissage par renforcement profond, notamment : DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (D'autres algorithmes sont en cours de développement)

Une bibliothèque PyTorch pour la construction d'agents d'apprentissage profond par renforcement.

Un paquet d'apprentissage par renforcement pour Julia

L'IA SSBM "Phillip".

Algorithmes d'apprentissage par imitation

Division des fichiers en traits et segments .py. Il suffit d'entrer les données de prix haut et bas des chandeliers pour réaliser automatiquement la division en traits, segments, centres, points d'achat/vente et types de tendance. Le fichier sh.csv peut être utilisé comme fichier d'entrée. CV personnel dans .pdf.

Simulateur humain-véhicule

Apprentissage par renforcement profond (PPO) dans la conduite autonome (Carla) [depuis zéro]

3 Tiles Game et apprentissage par renforcement profond (Deep Reinforcement Learning).