sde

Phiên bản PyTorch của Stable Baselines, các bản cài đặt đáng tin cậy của thuật toán học tăng cường.

Kho lưu trữ này chứa các cơ hội để bạn ứng tuyển vào hơn 400 công ty sản xuất sản phẩm (không chỉ FAANGM) và các start-up tốt.

Bộ công cụ đa ngôn ngữ cho các trình giải hiệu suất cao về phương trình vi phân và các thành phần học máy khoa học (SciML). Phương trình vi phân thường (ODE), phương trình vi phân ngẫu nhiên (SDE), phương trình vi phân có độ trễ (DDE), phương trình đại số vi phân (DAE), và nhiều hơn thế nữa trong Julia.

Khung huấn luyện cho các agent học tăng cường Stable Baselines3, bao gồm tối ưu hóa siêu tham số và các agent được huấn luyện sẵn.

Mô hình khuếch tán trong chẩn đoán hình ảnh y tế (Được xuất bản trên tạp chí Medical Image Analysis)

Một framework mô hình hóa phi nhân quả dành cho máy học khoa học (SciML) tự động song song hóa trong Julia. Một hệ thống đại số máy tính dành cho các biểu tượng tích hợp cho máy học dựa trên vật lý và chuyển đổi tự động các phương trình vi phân

Gói đóng góp cho Stable-Baselines3 - Mã học tăng cường (RL) thử nghiệm

Giải phương trình vi phân trong Python sử dụng DifferentialEquations.jl và tổ chức SciML Scientific Machine Learning

Giao diện mạng phản ứng hóa học và sinh học hệ thống cho học máy khoa học (SciML). Hiệu suất cao, song song hóa GPU và các bộ giải O(1) trong phần mềm mã nguồn mở.