reinforcement-learning

Une collection d'articles récents sur la création d'agents autonomes, couvrant deux sujets : les agents basés sur l'apprentissage par renforcement (RL) et sur les LLM.

Environnements Gymnasium multi-objectifs pour l'apprentissage par renforcement.

Apprentissage par renforcement pour les applications en temps réel

Package de contribution pour Stable-Baselines3 - Code expérimental d'apprentissage par renforcement (RL)

Long-RL : Mise à l'échelle du RL pour les séquences longues (NeurIPS 2025)

Projet d'algorithme d'évitement d'obstacles autonome pour drone basé sur l'apprentissage par renforcement profond

Code d'accompagnement pour la publication Nature « Discovering State-of-the-art Reinforcement Algorithms »

Implémentations d'algorithmes de Reinforcement Learning et de planification

Une liste de ressources exceptionnelles sur l'exploration en RL (mise à jour continue)

Moteur de poker pour le développement d'IA de poker en Python

Code pour l'article "Computation Offloading Optimization for UAV-assisted Mobile Edge Computing: A Deep Deterministic Policy Gradient Approach"

Environnement de poker Texas Hold'em OpenAI Gym avec apprentissage par renforcement basé sur keras-rl. Inclut le rendu virtuel et Monte-Carlo pour le calcul d'équité.

[COLM’25] DeepRetrieval — 🔥 Entraînement d'un agent de recherche par RLVR avec résultat de récupération

Une liste organisée d'articles sur la recherche arborescente de Monte Carlo avec implémentations.

Plateforme de recherche en IA pour l'apprentissage par renforcement à partir d'images panoramiques réelles.

Apprentissage par renforcement avec commande prédictive par modèle

Une collection frontend et un état de l'art complets des articles et modèles vision-langage sur GitHub. Mises à jour continues.

Algorithmes MARL affinés sur SMAC (taux de victoire de 100 % sur la plupart des scénarios)

ns3-gym - L'environnement d'expérimentation pour l'apprentissage par renforcement dans la recherche sur les réseaux

Cadre unifié pour l'apprentissage par renforcement facile dans les modèles Flow-Matching

Implémentation d'algorithmes d'apprentissage par renforcement inverse (IRL) en Python/Tensorflow. Deep MaxEnt, MaxEnt, LPIRL

Simulateur Hearthstone utilisant C++ avec un certain apprentissage par renforcement

Un framework C++ pour les MDPs et les POMDPs avec des liaisons Python

BenchMARL est une bibliothèque de benchmarking pour l'apprentissage par renforcement multi-agents (MARL). BenchMARL permet de comparer rapidement différents algorithmes MARL, tâches et modèles, tout en étant systématiquement fondé sur ses deux principes fondamentaux : la reproductibilité et la standardisation.

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

Cycle de vie complet d'un projet de science des données.

Un paquet d'apprentissage par renforcement pour Julia

Dernières avancées sur le raisonnement à longue chaîne de pensée (Long Chain-of-Thought)

♟️ Environnements de jeu RL vectorisés dans JAX

Page de projet pour "Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement"