Reinforcement_learning_projects_on_premade_gym_environments Q_table_mountain_car ：尝试使用Q-table解决MountainCar-v0环境。 continous_action_trial ：这是用于健身房环境的连续动作空间的q表（continousMountainCar-v0）。 我包括了用于山地车和卡特波勒的q表，因此您可以看到我为实现此目的而加班所做的更改。 game_cartpole_random_weights ：这是尝试使用生成的随机权重来解决CartPole-v0环境。 cartpole_qtable ：使用Q表解决CartPole-v0环境 Highway_env_2 ：解决Highway-v0环境。 我们的工作是通过改变车道和调节车速来导航我们的汽车。 我已经使用了DQN（深层Q网络

thavlik机器学习产品组合 这是我个人深度学习项目的资料库。 监督实验 这些实验利用了随数据提供的基本事实。 医学数据的地面事实通常构成一位或多位主治医师的判断。 ：按出血类型分类脑部CT扫描 ：在CT扫描中定位腹部肿瘤 （WIP）：使用EEG对运动活动进行细粒度检测 （WIP）：单次，可区分的3D渲染 数据集 这些是我亲自编写/编辑的数据集。 运行代码 配置在yaml文件中定义，可以通过include指令进行组合，以使用最少的样板方便地形成派生实验。 可以通过将路径作为--config标志传递到输入yaml来进行实验，以将其设置为src/main.py ： python3 src/main.py --config experiments/mnist/vae/fid.yaml 注意：该脚本假定当前工作目录是此存储库的根。 按照约定，yaml文件中的所有文件和目录路径都相对于存储

高速公路环境 自动驾驶和战术决策任务的环境集合 高速公路环境中可用环境之一的一集。 环境 高速公路 env = gym . make ( "highway-v0" ) 在这项任务中，自我车辆正在一条多车道高速公路上行驶，该高速公路上挤满了其他车辆。 代理的目标是达到高速，同时避免与相邻车辆发生碰撞。 在道路右侧行驶也有奖励。 高速公路-v0 环境。 合并 env = gym . make ( "merge-v0" ) 在这项任务中，自我车辆从主干道开始，但很快就会接近路口，进入坡道上的车辆。 代理现在的目标是保持高速，同时为车辆腾出空间，以便它们可以安全地并入交通。 merge-v0 环境。 迂回 env = gym . make ( "roundabout-v0" ) 在此任务中，自我车辆是否接近交通流量较大的环形交叉路口。 它将自动遵循其计划路线，但必须处理车

动手使用Python进行元学习：使用Tensorflow使用一键式学习，MAML，爬行动物，Meta-SGD等进行学习学习

#2.3_Q_Learning_思维决策_(强化学习_Reinforcement_Learning_教学)

#2.2_Q_Learning_算法更新__(强化学习_Reinforcement_Learning_教学)

#2.1_简单例子__(强化学习_Reinforcement_Learning_教学)

#2_要求准备__(强化学习_Reinforcement_Learning_教学)

#1_why__(强化学习_Reinforcement_Learning_教学)

#6.4_PPO_DPPO_Proximal_Policy_Optimization_(强化学习_Reinforcement_L