Accueil› Projets› awesome-monte-carlo-tree-search-papers

Python

awesome-monte-carlo-tree-search-papers

Une liste soigneusement sélectionnée d'articles sur la recherche d'arbres de Monte Carlo avec implémentations.

par benedekrozemberczki · GitHub

Étoiles

Forks

Licence

Créé

Dernier commit

Catégorie

Langue

atari deep-learning deep-q-learningCC0-1.0Python

Voir sur GitHub

En termes simples

Parcourez une liste d'articles de recherche sur la recherche d'arbre de Monte Carlo avec des implémentations pratiques.

Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →

awesome-monte-carlo-tree-search-papers — GitHub preview card

📈 Historique des étoiles

2026-07-202026-08-31

📈 Suivez awesome-monte-carlo-tree-search-papers

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment

Recevoir des alertes e-mail →

📄 À propos

Une liste soigneusement sélectionnée d'articles sur la recherche d'arbres de Monte Carlo avec implémentations.

awesome-monte-carlo-tree-search-papers compte 713 étoiles sur GitHub. Il a été forké 76 fois. awesome-monte-carlo-tree-search-papers est écrit principalement en Python. Il est développé activement depuis 2019. awesome-monte-carlo-tree-search-papers est disponible sous licence CC0-1.0. Ses principaux thèmes sont : atari, deep-learning, deep-q-learning, learning.

❓ Frequently asked questions

Qu'est-ce que awesome-monte-carlo-tree-search-papers ?

Une liste soigneusement sélectionnée d'articles sur la recherche d'arbres de Monte Carlo avec implémentations.

awesome-monte-carlo-tree-search-papers est-il open source ?

awesome-monte-carlo-tree-search-papers est un projet open source. Il est distribué sous licence CC0-1.0.

awesome-monte-carlo-tree-search-papers est-il gratuit ?

Oui. awesome-monte-carlo-tree-search-papers est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.

Sous quelle licence est awesome-monte-carlo-tree-search-papers ?

awesome-monte-carlo-tree-search-papers est disponible sous licence CC0-1.0.

Dans quel langage awesome-monte-carlo-tree-search-papers est-il écrit ?

awesome-monte-carlo-tree-search-papers est écrit principalement en Python.

🏅 Mainteneur de ce projet ?

olud.ai badge — awesome-monte-carlo-tree-search-papers

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![olud.ai](https://olud.ai/badge.php?tool=benedekrozemberczki-awesome-monte-carlo-tree-search-papers)](https://olud.ai/project/benedekrozemberczki-awesome-monte-carlo-tree-search-papers.html)

Plus d'options de badge →

🧬 Partage son ADN avec🧬 Voir la cartographie ADN →

Maîtriser Atari avec des modèles de monde discrets.

★ 1.1k · artificial-intelligence

Les Transformers sont des modèles du monde efficaces en échantillons. ICLR 2023, notable top 5%…

★ 897 · artificial-intelligence

DIAMOND (DIffusion As a Model Of eNvironment Dreams) est un agent d'apprentissage par renforcem…

★ 2.1k · artificial-intelligence

Deep_reinforcement_learning_Course

Implémentations du cours gratuit Deep Reinforcement Learning avec Tensorflow et PyTorch

★ 3.9k · a2c

partagedeep-q-learning

Bibliothèque Python pour l'apprentissage par renforcement.

★ 939 · atari

Tetris-deep-Q-learning-pytorch

Apprentissage par renforcement profond pour jouer au jeu Tetris.

partagedeep-q-learning

Flappy-bird-deep-Q-learning-pytorch

Apprentissage par renforcement profond pour jouer au jeu Flappy Bird

★ 558 · deep-q-learning

partagedeep-q-learning

XuanCe : Une bibliothèque complète et unifiée d'apprentissage par renforcement profond.

★ 1.1k · a2c

OpenDILab Decision AI Engine. Le cadre d'apprentissage par renforcement le plus complet B.P.

★ 3.6k · atari

[NeurIPS 2023 Spotlight] LightZero : Un benchmark unifié pour la recherche d'arbre de Monte Car…

★ 1.6k · alpha-beta-pruning

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.