dissecting-reinforcement-learning
Código en Python, PDFs y recursos para la serie de publicaciones sobre Aprendizaje por Refuerzo que publiqué en mi blog personal
Lee una serie de publicaciones de blog sobre aprendizaje por refuerzo con código y recursos acompañantes para practicar.
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 quierasCódigo en Python, PDFs y recursos para la serie de publicaciones sobre Aprendizaje por Refuerzo que publiqué en mi blog personal
dissecting-reinforcement-learning tiene 623 estrellas en GitHub. Se ha bifurcado 178 veces. dissecting-reinforcement-learning está escrito principalmente en Python. Se desarrolla activamente desde 2016. dissecting-reinforcement-learning está disponible bajo la licencia MIT. Sus temas principales son: actor-critic, deep-reinforcement-learning, dissecting-reinforcement-learning, drone-landing.
¿Qué es dissecting-reinforcement-learning?
Código en Python, PDFs y recursos para la serie de publicaciones sobre Aprendizaje por Refuerzo que publiqué en mi blog personal
¿dissecting-reinforcement-learning es de código abierto?
dissecting-reinforcement-learning es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿dissecting-reinforcement-learning es gratis?
Sí. dissecting-reinforcement-learning es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está dissecting-reinforcement-learning?
dissecting-reinforcement-learning está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito dissecting-reinforcement-learning?
dissecting-reinforcement-learning 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/mpatacchiola-dissecting-reinforcement-learning.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.