deep-reinforcement-learning

O Unity Machine Learning Agents Toolkit (ML-Agents) é um projeto de código aberto que permite que jogos e simulações sirvam como ambientes para treinar agentes inteligentes usando aprendizado por reforço profundo e aprendizado por imitação.

Simulador de código aberto para veículos autônomos construído em Unreal Engine / Unity, da Microsoft AI & Research

FinRL®: Aprendizado por Reforço Financeiro. 🔥

Tutorial de aprendizado por reforço em chinês (Livro Cogumelo🍄), endereço de leitura online: https://datawhalechina.github.io/easy-rl/

Simulador de código aberto para pesquisa em direção autônoma.

Mergulhe em Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision e NLP através destas aulas empolgantes!

Tutoriais, tarefas e competições para cursos relacionados a Deep Learning do MIT.

Implementação em arquivo único de alta qualidade de algoritmos de Deep Reinforcement Learning com recursos voltados para pesquisa (PPO, DQN, C51, DDPG, TD3, SAC, PPG).

(⌐■_■) - Deep Reinforcement Learning instrumentando o bettercap para ataques a redes WiFi.

Materiais de laboratório para o curso MIT 6.S191: Introdução ao Deep Learning.

Hack de Flappy Bird usando Aprendizado por Reforço Profundo (Deep Q-learning).

Um curso sobre aprendizado por reforço em cenários reais.

Repositório para o programa Nanodegree de Aprendizado por Reforço Profundo.

Este repositório contém o curso de Aprendizado por Reforço Profundo da Hugging Face.

Grandes Modelos de Linguagem, autores: Zhao Xin, Li Junyi, Zhou Kun, Tang Tianyi, Wen Jirong

Uma lista curada de recursos sobre aprendizado por reforço com feedback humano (atualizada continuamente).

Exemplos de Reinforcement Learning mínimos e limpos

FinRL-X: Uma infraestrutura modular nativa de IA para negociação quantitativa.

Aprendizado por reforço / Bots de IA em jogos de cartas (pôquer) - Blackjack, Leduc, Texas, DouDizhu, Mahjong, UNO.

Implementação modularizada de algoritmos de Deep RL em PyTorch

Implementação PyTorch limpa, robusta e unificada de algoritmos populares de Deep Reinforcement Learning (DRL) (Q-learning, Duel DDQN, PER, C51, Noisy DQN, PPO, DDPG, TD3, SAC, ASL).

Tensorforce: uma biblioteca TensorFlow para aprendizado por reforço aplicado.

Motor de xadrez de rede neural de código aberto com aceleração de GPU e amplo suporte de hardware.

Uma biblioteca modular de alto nível para treinar agentes de IA incorporada (embodied AI) em uma variedade de tarefas e ambientes.

Um framework de treinamento para agentes de aprendizado por reforço Stable Baselines3, incluindo otimização de hiperparâmetros e agentes pré-treinados.

MuZero

Curso tutorial de DRL PPO x Family (Curso introdutório de inteligência de decisão: 8 aulas para entender a teoria dos algoritmos, a lógica do código e aplicar IA de decisão)

Implementação mínima de Proximal Policy Optimization (PPO) com objetivo recortado em PyTorch

Aprendizado por Reforço Profundo: Do zero ao especialista!

FinRL-Meta: Conjuntos de dados dinâmicos e ambientes de mercado para FinRL.