Inicio Proyectos autonomous-learning-library
autonomous-learning-library

autonomous-learning-library

por cpnota · GitHub

Una biblioteca de PyTorch para construir agentes de aprendizaje por refuerzo profundo.

Ver en GitHub
En palabras simples

Construye y prueba agentes inteligentes que aprenden de su entorno utilizando aprendizaje por refuerzo.

⭐ Estrellas
🍴 Ramas
📜 Licencia
Uso comercial permitido
📅 Creado
🔄 Último commit
🏷️ Categoría
💻 Lenguaje
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
autonomous-learning-library — GitHub preview card
📈 Historial de estrellas
656655
2026-07-202026-07-29
📈 Sigue autonomous-learning-library

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Una biblioteca de PyTorch para construir agentes de aprendizaje por refuerzo profundo.

autonomous-learning-library tiene 655 estrellas en GitHub. Se ha bifurcado 72 veces. autonomous-learning-library está escrito principalmente en Python. Se desarrolla activamente desde 2018. autonomous-learning-library está disponible bajo la licencia MIT. Sus temas principales son: a2c, advantage-actor-critic, ddpg, deep-deterministic-policy-gradient.

Frequently asked questions

¿Qué es autonomous-learning-library?

Una biblioteca de PyTorch para construir agentes de aprendizaje por refuerzo profundo.

¿autonomous-learning-library es de código abierto?

autonomous-learning-library es un proyecto de código abierto. Se distribuye bajo la licencia MIT.

¿autonomous-learning-library es gratis?

Sí. autonomous-learning-library es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está autonomous-learning-library?

autonomous-learning-library está disponible bajo la licencia MIT.

¿En qué lenguaje está escrito autonomous-learning-library?

autonomous-learning-library está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
OpenSourceAI badge — autonomous-learning-library

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=cpnota-autonomous-learning-library)](https://opensourceai.tech/project/cpnota-autonomous-learning-library.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
pytorch-DRL
Implementaciones de PyTorch de varios algoritmos de Aprendizaje por Refuerzo Profundo (DRL) tan…
617 · a2c
comparteadvantage-actor-criticdeep-deterministic-policy-gradient
lagom
lagom: Una infraestructura de PyTorch para prototipado rápido de algoritmos de aprendizaje por…
378 · artificial-intelligence
compartedeep-deterministic-policy-gradientsoft-actor-critic
RL_Matrix
Aprendizaje por refuerzo profundo en C#
310 · cartpole
compartesoft-actor-criticproximal-policy-optimization
SLM-Lab
Marco de Aprendizaje por Refuerzo Profundo Modular en PyTorch. Biblioteca complementaria del li…
1.4k · a2c
compartea2csac
minimalRL
¡Implementaciones de algoritmos básicos de RL con líneas mínimas de código! (basado en pytorch)
3.2k · a2c
compartea2csac
DeepRL-TensorFlow2
🐋 Implementaciones simples de varios algoritmos populares de Aprendizaje por Refuerzo Profundo…
600 · a2c
compartea2csac
cleanrl
Implementación de un solo archivo de alta calidad de algoritmos de Aprendizaje por Refuerzo Pro…
10.2k · a2c
comparteadvantage-actor-criticproximal-policy-optimization
Deep-Reinforcement-Learning-With-Python
Domina RL clásico, RL profundo, RL de distribución, RL inverso y más usando OpenAI Gym y Tensor…
475 · a2c
compartea2csac
TF2-RL
Algoritmos de aprendizaje por refuerzo implementados para Tensorflow 2.0+ [DQN, DDPG, AE-DDPG,…
316 · ae-ddpg
compartesacddpg
RLcycle
Una biblioteca para agentes de aprendizaje por refuerzo listos para usar y componentes reutiliz…
303 · a2c
compartea2csac

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.