dissecting-reinforcement-learning
Code Python, PDFs et ressources pour la série de publications sur l'apprentissage par renforcement que j'ai publiées sur mon blog personnel
Lisez une série de billets de blog sur l'apprentissage par renforcement avec du code et des ressources d'accompagnement pour la pratique.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentCode Python, PDFs et ressources pour la série de publications sur l'apprentissage par renforcement que j'ai publiées sur mon blog personnel
dissecting-reinforcement-learning compte 623 étoiles sur GitHub. Il a été forké 178 fois. dissecting-reinforcement-learning est écrit principalement en Python. Il est développé activement depuis 2016. dissecting-reinforcement-learning est disponible sous licence MIT. Ses principaux thèmes sont : actor-critic, deep-reinforcement-learning, dissecting-reinforcement-learning, drone-landing.
Qu'est-ce que dissecting-reinforcement-learning ?
Code Python, PDFs et ressources pour la série de publications sur l'apprentissage par renforcement que j'ai publiées sur mon blog personnel
dissecting-reinforcement-learning est-il open source ?
dissecting-reinforcement-learning est un projet open source. Il est distribué sous licence MIT.
dissecting-reinforcement-learning est-il gratuit ?
Oui. dissecting-reinforcement-learning est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est dissecting-reinforcement-learning ?
dissecting-reinforcement-learning est disponible sous licence MIT.
Dans quel langage dissecting-reinforcement-learning est-il écrit ?
dissecting-reinforcement-learning est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/mpatacchiola-dissecting-reinforcement-learning.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.