David-Silver-Reinforcement-learning
Notizen für den Kurs über Verstärkendes Lernen von David Silver sowie Implementierungen verschiedener Algorithmen.
Lesen Sie Notizen und Implementierungen aus einem Kurs über Verstärkendes Lernen, der verschiedene Algorithmen und Konzepte in der KI abdeckt.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbarNotizen für den Kurs über Verstärkendes Lernen von David Silver sowie Implementierungen verschiedener Algorithmen.
David-Silver-Reinforcement-learning hat 867 Sterne auf GitHub. Es wurde 212-mal geforkt. David-Silver-Reinforcement-learning ist hauptsächlich in Jupyter Notebook geschrieben. Es wird seit 2018 aktiv entwickelt. David-Silver-Reinforcement-learning ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: artificial-intelligence, course-notes, gym-environment, open-ai.
Was ist David-Silver-Reinforcement-learning?
Notizen für den Kurs über Verstärkendes Lernen von David Silver sowie Implementierungen verschiedener Algorithmen.
Ist David-Silver-Reinforcement-learning Open Source?
David-Silver-Reinforcement-learning ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.
Ist David-Silver-Reinforcement-learning kostenlos?
Ja. David-Silver-Reinforcement-learning ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
Unter welcher Lizenz steht David-Silver-Reinforcement-learning?
David-Silver-Reinforcement-learning ist unter der MIT-Lizenz verfügbar.
In welcher Sprache ist David-Silver-Reinforcement-learning geschrieben?
David-Silver-Reinforcement-learning ist hauptsächlich in Jupyter Notebook geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://olud.ai/project/dalmia-david-silver-reinforcement-learning.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.