icon
KI-Tools KI-Agenten MCP Ranking Einreichen & Werben
Anmelden

Die besten параметры обучения-Lösungen für Sie

Finden Sie bewährte параметры обучения-Tools, die sowohl für Anfänger als auch für Experten geeignet sind, und steigern Sie Ihre Produktivität.

параметры обучения

  • AI Agents for Rock Paper Scissors

    Open-Source-Python-Werkzeugkasten, der zufällige, regelbasierte Mustererkennung und Verstärkungslernagenten für Schere, Stein, Papier anbietet.
    0
    0
    Was ist AI Agents for Rock Paper Scissors?
    KI-Agenten für Schere, Stein, Papier ist ein Open-Source-Python-Projekt, das zeigt, wie man verschiedene KI-Strategien—Zufallsspiel, regelbasierte Mustererkennung und Verstärkungslernen (Q-Learning)—im klassischen Spiel Schere, Stein, Papier aufbaut, trainiert und bewertet. Es bietet modulare Agentenklassen, einen konfigurierbaren Spiel-Runner, Leistungsprotokollierung und Visualisierungswerkzeuge. Benutzer können Agenten leicht austauschen, Lernparameter anpassen und KI-Verhalten in Wettbewerbsumgebungen erkunden.
    AI Agents for Rock Paper Scissors Hauptfunktionen
    • Zufälliger Spiel-Agent
    • Regelbasierter Mustererkennungs-Agent
    • Q-Learning-Verstärkungslern-Agent
    • Konfigurierbarer Spiel-Runner
    • Leistungsprotokollierung und Visualisierung

  • jason-RL

    Jason-RL rüstet Jason BDI-Agenten mit Reinforcement-Learning aus, was eine adaptive Entscheidungsfindung basierend auf Q-Learning und SARSA durch Belohnungserfahrung ermöglicht.
    0
    0
    Was ist jason-RL?
    Jason-RL fügt dem Jason Multi-Agenten-Framework eine Verstärkendes Lernen-Schicht hinzu, die es AgentSpeak-BDI-Agenten ermöglicht, Aktions-Auswahl-Politiken durch Belohnungsfeedback zu erlernen. Es implementiert Q-Learning und SARSA, unterstützt die Konfiguration von Lernparametern (Lernrate, Diskontfaktor, Explorationsstrategie) und protokolliert Trainingsmetriken. Durch die Definition von Belohnungsfunktionen in Agentenplänen und das Ausführen von Simulationen können Entwickler beobachten, wie Agenten im Laufe der Zeit Entscheidungsfindung verbessern und sich an sich ändernde Umgebungen anpassen, ohne manuell Politiken zu codieren.
Ausgewählt