deep-reinforcement-learning

Jogando o jogo da cobrinha com IA.

Os 200 principais repositórios de deep learning no GitHub, classificados pelo número de estrelas.

Uma biblioteca de aprendizado por reforço profundo offline.

Uma lista curada de recursos sobre modelos de difusão em RL (atualizada continuamente).

Curso gratuito que leva você do zero ao nível PRO em Aprendizado por Reforço.

Para deep RL e o futuro da IA.

Uma plataforma de inteligência artificial para StarCraft II com treinamento distribuído em larga escala e agentes de nível grand-master.

Aprendizado por reforço profundo para navegação de robôs móveis no simulador ROS Gazebo. Usando a rede neural Twin Delayed Deep Deterministic Policy Gradient (TD3), um robô aprende a navegar até um ponto de destino aleatório em um ambiente simulado enquanto evita obstáculos.

Framework modular de Deep Reinforcement Learning em PyTorch. Biblioteca complementar do livro "Foundations of Deep Reinforcement Learning".

Um único repositório é tudo o que é necessário para Aprendizado por Reforço Multiagente (MARL).

Implementações mínimas de Deep Q Learning (DQN e DDQN) em Keras

JMLR: OmniSafe é um framework de infraestrutura para acelerar a pesquisa em SafeRL.

Implementações de RL de ponta a ponta extremamente rápidas em Jax

Biblioteca que fornece tarefas de manipulação manual dual destra através do Isaac Gym.

Ambientes de Aprendizagem por Reforço para Controle de Sinais de Trânsito com SUMO. Compatível com Gymnasium, PettingZoo e bibliotecas populares de RL.

Códigos-fonte para o livro "Reinforcement Learning: Theory and Python Implementation"

Otimizando o aprendizado por reforço com RLOps. Algoritmos e ferramentas de ponta de RL, com treinamento 10x mais rápido por meio de otimização evolutiva de hiperparâmetros.

Gibson Environments: Percepção do mundo real para agentes incorporados.

Biblioteca Python para Aprendizado por Reforço

Uma lista curada de recursos incríveis de Aprendizado por Reforço Profundo.

Código PyTorch para o artigo do ICLR-20 "Learning to Explore using Active Neural SLAM"

Este repositório contém a maioria das implementações em pytorch baseadas em algoritmos clássicos de aprendizado por reforço profundo, incluindo: DQN, DDQN, Dueling Network, DDPG, SAC, A2C, PPO, TRPO. (Mais algoritmos ainda estão em desenvolvimento)

Uma biblioteca PyTorch para construir agentes de aprendizado por reforço profundo.

Um pacote de aprendizado por reforço para Julia

A IA "Phillip" do SSBM.

Algoritmos de aprendizado por imitação

Arquivo 笔和线段的一种划分.py: basta inserir os dados de high e low das velas K para automatizar a divisão de traços, segmentos, centros de gravidade, pontos de compra/venda e tipos de tendência de acordo com a Teoria de Chan. Pode usar sh.csv como arquivo de entrada.

Simulador de humano-veículo (Human-vehicle Simulator).

Aprendizado por Reforço Profundo (PPO) em Condução Autônoma (Carla) [do zero]

Sheep a Sheep + Aprendizado por Reforço Profundo (Deep Reinforcement Learning + Jogo 3 Tiles)