Recurso educacional da OpenAI para aprender deep reinforcement learning, com introduções, artigos importantes, exercícios e implementações curtas de algoritmos.
Spinning Up in Deep RL é um recurso educacional da OpenAI voltado a quem quer aprender deep reinforcement learning, que combina reinforcement learning — em que agentes aprendem tarefas por tentativa e erro — com deep learning.
O projeto reúne diversos materiais de aprendizagem: uma breve introdução à terminologia de RL, aos tipos de algoritmos e à teoria básica; um ensaio sobre como seguir carreira em pesquisa de RL; uma lista selecionada de artigos importantes, organizada por tema; e alguns exercícios introdutórios. Também inclui um repositório de código com implementações curtas e independentes de algoritmos importantes de deep RL, acompanhadas de documentação.
O projeto está em modo de manutenção, então os responsáveis esperam fazer apenas correções de bugs e pequenas atualizações. A documentação está hospedada em spinningup.openai.com.
Leia a documentação online em spinningup.openai.com
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Guia bilíngue em chinês e inglês para começar na pesquisa em IA, com orientações sobre universidades, dúvidas frequentes, projetos para iniciantes, trilhas de aprendizado e fichas de artigos.
Tutorial comentado em 12 capítulos que ensina a criar e treinar do zero, em Python e PyTorch, um GPT pequeno no estilo LLaMA.
Uma coleção de tutoriais e projetos em notebooks Jupyter do programa Udacity Deep Learning Nanodegree Foundation, com redes neurais, RNNs, GANs e muito mais.
Um livro introdutório e conciso sobre aprendizado por reforço, dos conceitos básicos a algoritmos aplicados, com implementações em PyTorch no repositório.
Curso gratuito com licença MIT e 542 lições que ensina conceitos de engenharia de IA do zero em Python, TypeScript, Rust e Julia.
Curso online gratuito e prático, com foco em código, e coleção de notebooks para aprender deep learning com PyTorch, dos fundamentos à implantação de modelos.