neural-symbolic-machines
Las Máquinas Simbólicas Neurales son un marco para integrar redes neuronales y representaciones simbólicas utilizando aprendizaje por refuerzo, con aplicaciones en síntesis de programas y análisis semántico.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasLas Máquinas Simbólicas Neurales son un marco para integrar redes neuronales y representaciones simbólicas utilizando aprendizaje por refuerzo, con aplicaciones en síntesis de programas y análisis semántico.
neural-symbolic-machines tiene 385 estrellas en GitHub. Se ha bifurcado 68 veces. neural-symbolic-machines está escrito principalmente en Python. Se desarrolla activamente desde 2018. neural-symbolic-machines está disponible bajo la licencia Apache-2.0. Sus temas principales son: deep-learning, deep-reinforcement-learning, program-synthesis, reinforcement-learning.
¿Qué es neural-symbolic-machines?
Las Máquinas Simbólicas Neurales son un marco para integrar redes neuronales y representaciones simbólicas utilizando aprendizaje por refuerzo, con aplicaciones en síntesis de programas y análisis semántico.
¿neural-symbolic-machines es de código abierto?
neural-symbolic-machines es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.
¿neural-symbolic-machines es gratis?
Sí. neural-symbolic-machines es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está neural-symbolic-machines?
neural-symbolic-machines está disponible bajo la licencia Apache-2.0.
¿En qué lenguaje está escrito neural-symbolic-machines?
neural-symbolic-machines está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/crazydonkey200-neural-symbolic-machines.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.