reinforcement-learning

Lingkungan Gymnasium multi-tujuan untuk pembelajaran penguatan (reinforcement learning)

Continual learning infra for self-improving agents

Pembelajaran Penguatan untuk aplikasi waktu nyata

Paket Contrib untuk Stable-Baselines3 - Kode reinforcement learning (RL) eksperimental

Long-RL: Menskalakan RL ke urutan panjang (NeurIPS 2025)

Ini adalah proyek tentang algoritma penghindaran rintangan otonom deep reinforcement learning untuk UAV.

Kode pendukung untuk publikasi Nature "Discovering State-of-the-art Reinforcement Algorithms"

Implementasi algoritma Reinforcement Learning dan Planning

Daftar kurasi sumber daya exploration RL yang luar biasa (diperbarui secara berkala)

Lingkungan poker OpenAI Gym untuk Texas Hold'em dengan reinforcement learning berbasis keras-rl. Termasuk rendering virtual dan montecarlo untuk perhitungan ekuitas.

Mesin poker untuk pengembangan AI poker dengan Python.

Kode untuk makalah "Optimalisasi Offloading Komputasi untuk Mobile Edge Computing yang dibantu UAV: Pendekatan Deep Deterministic Policy Gradient"

[COLM’25] DeepRetrieval — 🔥 Melatih Agen Pencarian melalui RLVR dengan Hasil Pengambilan.

Daftar kurasi makalah Monte Carlo tree search beserta implementasinya.

Platform Riset AI untuk Reinforcement Learning dari Citra Panoramik Nyata.

Reinforcement Learning dengan Model Predictive Control

Algoritma MARL yang telah disesuaikan pada SMAC (tingkat kemenangan 100% pada sebagian besar skenario)

Koleksi Frontend dan survei makalah vision-language model serta repositori GitHub model. Pembaruan berkelanjutan.

ns3-gym - Arena untuk Reinforcement Learning dalam Riset Jaringan

Kerangka kerja terpadu untuk reinforcement learning yang mudah pada model Flow-Matching

Implementasi algoritma Inverse Reinforcement Learning (IRL) dalam Python/Tensorflow. Deep MaxEnt, MaxEnt, LPIRL

Simulator Hearthstone menggunakan C++ dengan beberapa reinforcement learning

Framework C++ untuk MDP dan POMDP dengan binding Python

Pustaka PyTorch untuk membangun agen deep reinforcement learning.

BenchMARL adalah pustaka untuk pengujian <i>benchmark</i> Multi-Agent Reinforcement Learning (MARL). BenchMARL memungkinkan perbandingan cepat antara berbagai algoritma, tugas, dan model MARL dengan tetap berlandaskan pada dua prinsip inti: reproduksibilitas dan standarisasi.

Siklus Hidup Lengkap Proyek Ilmu Data

Paket reinforcement learning untuk Julia

Kemajuan Terbaru dalam Penalaran Rantai Pemikiran Panjang

Lingkungan game RL tervektorisasi di JAX

Halaman Proyek untuk "Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement"