reinforcement-learning

ReSearch: सुदृढीकरण शिक्षण के माध्यम से LLM के लिए खोज के साथ तर्क करना सीखना और ReCall: सुदृढीकरण शिक्षण के माध्यम से LLM के लिए टूल कॉल के साथ तर्क करना सीखना

Julia में लिखे गए संक्षिप्त और सुंदर एल्गोरिदम

अद्भुत मॉडल आधारित RL संसाधनों की एक क्यूरेटेड सूची (लगातार अपडेट की जाती है)

RL कार्यान्वयन

STEM शिक्षा और AI-संवर्धित सेवाओं के लिए एक प्रोग्रामेबल और अत्यधिक पैंतरेबाज़ी करने वाली रोबोटिक बिल्ली।

SMAC: द स्टारक्राफ्ट मल्टी-एजेंट चैलेंज

ROS Gazebo सिम्युलेटर में मोबाइल रोबोट नेविगेशन के लिए डीप रीइंफोर्समेंट लर्निंग। Twin Delayed Deep Deterministic Policy Gradient (TD3) न्यूरल नेटवर्क का उपयोग करके, एक रोबोट बाधाओं से बचते हुए simulated वातावरण में एक यादृच्छिक लक्ष्य बिंदु पर नेविगेट करना सीखता है।

PyTorch में मॉड्यूलर डीप रिइंफोर्समेंट लर्निंग फ्रेमवर्क। पुस्तक "फाउंडेशन ऑफ डीप रिइंफोर्समेंट लर्निंग" की सह-पुस्तकालय (कंपैनियन लाइब्रेरी)।

Soft Actor-Critic (SAC), Twin Delayed DDPG (TD3), Actor-Critic (AC/A2C), Proximal Policy Optimization (PPO), QT-Opt, PointNet का PyTorch कार्यान्वयन

एक जीवंत पारिस्थितिकी तंत्र जहाँ AI एजेंट वर्कफ़्लो लूप के माध्यम से कार्य पूरे करते हैं, पुनरावृत्ति निष्पादन के माध्यम से सुधार करते हैं, मेंटर एजेंटों या लूप में मनुष्यों द्वारा मूल्यांकित किए जाते हैं, और भविष्य के एजेंटों को बेहतर बनाने के लिए पूर्ण किए गए कार्य को पुन: प्रयोज्य कार्य अनुभव और डेटा में बदलते हैं।

Keras में न्यूनतम Deep Q Learning (DQN और DDQN) कार्यान्वयन

लोकप्रिय संदर्भ डेटासेट और संबंधित यूटिलिटीज के साथ ऑफ़लाइन सुदृढीकरण शिक्षण डेटासेट के लिए एक मानक प्रारूप

डीप लर्निंग और मशीन लर्निंग पर पेपर रीडिंग नोट्स।

एक सरल और अच्छी तरह से स्टाइल किया गया PPO कार्यान्वयन। मेरी Medium श्रृंखला पर आधारित: https://medium.com/@eyyu/coding-ppo-from-scratch-with-pytorch-part-1-4-613dfc1b14c8

Android उपकरणों पर RL अनुसंधान।

सुदृढीकरण सीखने (reinforcement learning) के माध्यम से फॉर्मूला अल्पा (पूर्वानुमानित) स्टॉक कारकों के सेट उत्पन्न करना।

रीइंफोर्समेंट लर्निंग का उपयोग करके लोकोमोशन के लिए ह्यूमनॉइड रोबोट को प्रशिक्षित करना

पाडेरबर्न विश्वविद्यालय द्वारा आयोजित सुदृढीकरण शिक्षण पाठ्यक्रम के लिए समाधान और ऑनलाइन वीडियो सहित व्याख्यान नोट्स, ट्यूटोरियल कार्य।

ट्रैफिक कंट्रोल में रीइंफोर्समेंट लर्निंग के लिए कम्प्यूटेशनल फ्रेमवर्क

[ECCV 2026] MixGRPO: मिक्स्ड ODE-SDE के साथ फ्लो-आधारित GRPO दक्षता को अनलॉक करना

एनवायरनमेंट का उपयोग करके मॉडल और एजेंटों का मूल्यांकन और सुधार करें

सामान्य सेटअप (जैसे, Google Robot, WidowX+Bridge) के तहत सिमुलेशन में वास्तविक दुनिया की रोबोट हेरफेर नीतियों (जैसे, RT-1, RT-1-X, Octo) का मूल्यांकन और पुनरुत्पादन (CoRL 2024)

JMLR: OmniSafe, SafeRL अनुसंधान को गति देने के लिए एक इंफ्रास्ट्रक्चरल फ्रेमवर्क है।

NNAISENSE में निर्मित, सीधे PyTorch के ऊपर बनाई गई एडवांस्ड इवोल्यूशनरी कंप्यूटेशन लाइब्रेरी।

स्वायत्त ड्राइविंग के लिए स्केलेबल मल्टी-एजेंट RL ट्रेनिंग स्कूल

मशीनों को सीखना सिखाएं ताकि आपको उन्हें प्रोग्राम करने के लिए संघर्ष न करना पड़े; अंतिम सूची

नेविगेशन, कंट्रोल और लर्निंग के लिए डिज़ाइन किया गया एक Python-आधारित हल्का रोबोट सिम्युलेटर।

भौतिक रूप से सिम्युलेटेड पात्रों के लिए पुन: प्रयोज्य नियंत्रकों को प्रशिक्षित करने के लिए एडवरसैरियल स्किल एम्बेडिंग।

[ICLR 2026] एजेंटिक रीइन्फोर्स्ड पॉलिसी ऑप्टिमाइज़ेशन (ARPO)

हम Audio Logical Reasoning (ALR) डेटासेट पेश करते हैं, जिसमें जटिल तर्क कार्यों के लिए विशेष रूप से डिज़ाइन किए गए 6,446 टेक्स्ट-ऑडियो एनोटेटेड नमूने शामिल हैं। इस संसाधन के आधार पर, हम SoundMind का प्रस्ताव करते हैं, जो ऑडियो लैंग्वेज मॉडल (ALMs) को गहरी द्विमोडल तर्क क्षमताओं से लैस करने के लिए तैयार किया गया एक नियम-आधारित सुदृढीकरण शिक्षण (RL) एल्गोरिदम है।