Início Projetos Hands-On-Reinforcement-Learning-With-Python
Hands-On-Reinforcement-Learning-With-Python

Hands-On-Reinforcement-Learning-With-Python

por sudharsan13296 · GitHub

Domine Aprendizado por Reforço e Aprendizado por Reforço Profundo usando OpenAI Gym e TensorFlow

Ver no GitHub
Em palavras simples

Aprenda e pratique várias técnicas de aprendizado por reforço por meio de exemplos interativos e exercícios.

⭐ Estrelas
🍴 Forks
📜 Licença
Licença não especificada
📅 Criado
🔄 Último commit
💻 Linguagem
Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
Hands-On-Reinforcement-Learning-With-Python — GitHub preview card
📈 Histórico de estrelas
861860
2026-07-202026-07-29
📈 Acompanhe Hands-On-Reinforcement-Learning-With-Python

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Domine Aprendizado por Reforço e Aprendizado por Reforço Profundo usando OpenAI Gym e TensorFlow

Hands-On-Reinforcement-Learning-With-Python tem 860 estrelas no GitHub. Foi bifurcado 322 vezes. Hands-On-Reinforcement-Learning-With-Python é escrito principalmente em Jupyter Notebook. Está em desenvolvimento ativo desde 2018. Os seus principais temas são: asynchronous-advantage-actor-critic, deep-deterministic-policy-gradient, deep-learning-algorithms, deep-q-network.

Frequently asked questions

O que é Hands-On-Reinforcement-Learning-With-Python?

Domine Aprendizado por Reforço e Aprendizado por Reforço Profundo usando OpenAI Gym e TensorFlow

Hands-On-Reinforcement-Learning-With-Python é de código aberto?

Hands-On-Reinforcement-Learning-With-Python é um projeto de código aberto.

Hands-On-Reinforcement-Learning-With-Python é gratuito?

Sim. Hands-On-Reinforcement-Learning-With-Python é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Em que linguagem Hands-On-Reinforcement-Learning-With-Python está escrito?

Hands-On-Reinforcement-Learning-With-Python é escrito principalmente em Jupyter Notebook.

🏅 Mantenedor deste projeto?
olud.ai badge — Hands-On-Reinforcement-Learning-With-Python

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=sudharsan13296-hands-on-reinforcement-learning-with-python)](https://olud.ai/project/sudharsan13296-hands-on-reinforcement-learning-with-python.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →
Reinforcement-learning-with-tensorflow
Tutoriais simples de aprendizado por reforço, 莫烦Python 中文AI教学
9.5k · a3c
partilhaasynchronous-advantage-actor-criticdouble-dqn
easy-rl
Tutorial de Aprendizado por Reforço em Chinês (蘑菇书🍄), endereço de leitura online: https://dataw…
14.5k · a3c
partilhadouble-dqndueling-dqn
Deep-Reinforcement-Learning-With-Python
Domine RL clássico, RL profundo, RL distribucional, RL inverso e mais usando OpenAI Gym e Tenso…
475 · a2c
partilhadouble-dqntrpo
DeepRL-Tutorials
Contém implementações de alta qualidade de algoritmos de Aprendizado por Reforço Profundo escri…
1.1k · a2c
partilhadeep-recurrent-q-networkdouble-dqn
DeepRL-TensorFlow2
🐋 Implementações simples de vários algoritmos populares de Aprendizado por Reforço Profundo usa…
600 · a2c
partilhadouble-dqndueling-dqn
DRL-Pytorch
Implementação limpa, robusta e unificada em PyTorch de algoritmos populares de Aprendizado por…
3.4k · asl
partilhadouble-dqndueling-dqn
pytorch-a3c
Implementação em PyTorch do Asynchronous Advantage Actor Critic (A3C) de "Métodos Assíncronos p…
1.3k · a3c
rl_a3c_pytorch
A3C LSTM Atari com Pytorch mais design A3G
563 · a3c
jaxrl
Implementação JAX (Flax) de algoritmos para Aprendizado por Reforço Profundo com espaços de açã…
757 · batch-reinforcement-learning
UAV-DDPG
Código para o artigo "Otimização de Descarregamento de Cálculo para Computação de Borda Assisti…
717 · actor-critic-algorithm

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.