reinforcement-learning

Algorithme Asynchronous Advantage Actor-Critic (A3C) pour Super Mario Bros.

Implémentations RL de bout en bout extrêmement rapides avec Jax.

Bibliothèque modulaire d'apprentissage par renforcement (RL) (implémentée en PyTorch, JAX et NVIDIA Warp) avec prise en charge de Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground et d'autres environnements

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

XuanCe : une bibliothèque d'apprentissage par renforcement profond complète et unifiée

Un fork de gym-retro avec des jeux supplémentaires, des émulateurs et des plateformes supportées

Index d'algorithmes pour l'apprentissage par renforcement hors ligne (offline-rl)

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

Livres, PDF et EPUB pour divers domaines de la programmation.

Guide essentiel pour rester à jour sur l'IA, le ML, le DL et la vision par ordinateur.

La stack d'amélioration continue pour les agents. Nos données d'environnement et nos évaluations alimentent l'amélioration et la surveillance des agents.

Implémentation du code pour "Learning Efficient Online 3D Bin Packing on Packing Configuration Trees". Nous proposons d'améliorer l'applicabilité pratique du problème de Bin Packing 3D en ligne (BPP) via l'apprentissage sur un arbre de configuration d'emballage hiérarchique, ce qui permet au modèle d'apprentissage par renforcement profond (DRL) de gérer facilement les contraintes pratiques et d'être performant même avec un espace de solution continu.

🐝 Les premiers agents à auto-amélioration via RL / optimisation de prompts.

Parcours d'apprentissage complet pour ingénieurs Agent : maîtriser l'ingénierie IA à partir de zéro, 20 étapes, 503 cours, traduction complète, site dédié et vidéos explicatives animées.

La bibliothèque d'apprentissage par renforcement profond la plus rapide.

Codes sources du livre Reinforcement Learning: Theory and Python Implementation

Apprentissage par renforcement synchrone et asynchrone à haut débit.

Apprentissage par renforcement profond pour le contrôle MPC de la locomotion de robots quadrupèdes

Collection d'articles et de documents classiques et de pointe sur les systèmes de recommandation et la prédiction CTR.

Un environnement de benchmark pour la performance en coopération totale entre humains et IA.

Ressources exceptionnelles sur l'IA de jeu pour l'apprentissage par renforcement multi-agents

Un puissant modèle d'édition audio basé sur l'apprentissage par renforcement et un LLM de 3 milliards de paramètres, spécialisé dans l'édition des émotions, du style de parole et des paralinguistiques, avec des capacités robustes de synthèse vocale zero-shot

Une collection d'environnements de simulation robotique pour l'apprentissage par renforcement

Framework d'entraînement RL multimodal pour modèles de diffusion et omni

Université open source pour l'apprentissage automatique.

Liste de conceptions moléculaires et matérielles utilisant l'IA générative et l'apprentissage profond.

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

PettingZoo and Gymnasium bindings for popular reinforcement learning environments outside of Farama

Bibliothèque Python pour l'apprentissage par renforcement.