applied-reinforcement-learning
Tutorials zu Verstärkungslernen und Entscheidungsfindung, die auf intuitiver Ebene und mit Jupyter-Notebooks erklärt werden
Erfahren Sie mehr über verstärkendes Lernen und Entscheidungsfindung durch leicht verständliche Tutorials und praktische Beispiele in Jupyter Notebooks.
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 abbestellbarTutorials zu Verstärkungslernen und Entscheidungsfindung, die auf intuitiver Ebene und mit Jupyter-Notebooks erklärt werden
applied-reinforcement-learning hat 331 Sterne auf GitHub. Es wurde 99-mal geforkt. applied-reinforcement-learning ist hauptsächlich in Jupyter Notebook geschrieben. Es wird seit 2017 aktiv entwickelt. applied-reinforcement-learning ist unter der MIT-Lizenz verfügbar. Die Hauptthemen sind: artificial-intelligence, decision-making, deep-reinforcement-learning, docker.
Was ist applied-reinforcement-learning?
Tutorials zu Verstärkungslernen und Entscheidungsfindung, die auf intuitiver Ebene und mit Jupyter-Notebooks erklärt werden
Ist applied-reinforcement-learning Open Source?
applied-reinforcement-learning ist ein Open-Source-Projekt. Es wird unter der MIT-Lizenz veröffentlicht.
Ist applied-reinforcement-learning kostenlos?
Ja. applied-reinforcement-learning ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.
Unter welcher Lizenz steht applied-reinforcement-learning?
applied-reinforcement-learning ist unter der MIT-Lizenz verfügbar.
In welcher Sprache ist applied-reinforcement-learning geschrieben?
applied-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/mimoralea-applied-reinforcement-learning.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.