applied-reinforcement-learning
Tutoriales de Aprendizaje por Refuerzo y Toma de Decisiones explicados a un nivel intuitivo y con Jupyter Notebooks
Aprende sobre aprendizaje por refuerzo y toma de decisiones a través de tutoriales fáciles de entender y ejemplos prácticos en Jupyter Notebooks.
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 quierasTutoriales de Aprendizaje por Refuerzo y Toma de Decisiones explicados a un nivel intuitivo y con Jupyter Notebooks
applied-reinforcement-learning tiene 331 estrellas en GitHub. Se ha bifurcado 99 veces. applied-reinforcement-learning está escrito principalmente en Jupyter Notebook. Se desarrolla activamente desde 2017. applied-reinforcement-learning está disponible bajo la licencia MIT. Sus temas principales son: artificial-intelligence, decision-making, deep-reinforcement-learning, docker.
¿Qué es applied-reinforcement-learning?
Tutoriales de Aprendizaje por Refuerzo y Toma de Decisiones explicados a un nivel intuitivo y con Jupyter Notebooks
¿applied-reinforcement-learning es de código abierto?
applied-reinforcement-learning es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿applied-reinforcement-learning es gratis?
Sí. applied-reinforcement-learning es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está applied-reinforcement-learning?
applied-reinforcement-learning está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito applied-reinforcement-learning?
applied-reinforcement-learning está escrito principalmente en Jupyter Notebook.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/mimoralea-applied-reinforcement-learning.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.