数据集中包含5个文件。genre.csv 是电影类型文件，movie.csv 是电影文件，有电影名称，评分，简介等；person.csv 是演员文件，包含演员名字，出生日期，性别，传记等；movie_to_genre.csv 是电影和类型对应关系的文件；person_to_movie.csv 是演员和电影对应关系的文件。

博文《DataFrame数据分析案例》例题1中的数据文件,免费

演员 适用于 Android 的最小演员库。 这是一个正在进行的工作！ 深受项目的启发和感激。 目的 Actor 非常适合并发编程。 事件在 actor 中按顺序处理，因此不需要同步。 但是，由于 actor 是模块化的并且不共享任何状态，因此它们可以以多线程方式处理其事件，而不会增加任何额外的复杂性。 是一个很棒的库，用于与 actor 进行并发编程。 但是，对于 Android 来说并不是一个好的选择： Scala。 Akka 是用 Scala 编写的，使用 Scala 构建 Android 应用程序很困难。 尽管 Scala 是一种 JVM 语言，但 Android 工具并不正式支持 Scala。 Android 工具（例如 Android studio）的频繁更新让 Scala Android 开发人员落后。 重量级。 Akka 库加上 Scala 运行时库超过 9mb，这

电影名称以及演员数据，包括电影名称信息，主演信息，主要配角信息

即兴戏剧的百科全书，介绍很多即兴游戏玩法

模仿学习 此仓库包含一些强化学习算法的简单PyTorch实现： 优势演员评论家（A2C） 的同步变体 近端策略优化（PPO）-最受欢迎的RL算法 ， ，， 策略上最大后验策略优化（V-MPO）-DeepMind在其上次工作中使用的算法 （尚不起作用...） 行为克隆（BC）-一种将某些专家行为克隆到新策略中的简单技术 每种算法都支持向量/图像/字典观察空间和离散/连续动作空间。 为什么回购被称为“模仿学习”？ 当我开始这个项目并进行回购时，我认为模仿学习将是我的主要重点，并且无模型方法仅在开始时用于培训“专家”。 但是，PPO实施（及其技巧）似乎比我预期的花费了更多时间。 结果，现在大多数代码与PPO有关，但是我仍然对模仿学习感兴趣，并打算添加一些相关算法。 当前功能 目前，此仓库包含一些无模型的基于策略的算法实现：A2C，PPO，V-MPO和BC。 每种算法都支持离散（分类，伯努利，GumbelSoftmax）和连续（贝塔，正态，tanh（正态））策略分布以及矢量或图像观察环境。 Beta和tanh（Normal）在我的实验中效果最好（在BipedalWalker和Huma