Dino Reinforcement Learning proporciona un conjunto completo de herramientas para entrenar a un agente IA para jugar el juego de dinosaurios de Chrome mediante aprendizaje por refuerzo. Al integrarse con una instancia de Chrome sin interfaz a través de Selenium, captura cuadros en tiempo real del juego y los procesa en representaciones de estado optimizadas para entradas de redes Q profundas. El marco incluye módulos para memoria de reproducción, exploración epsilon-greedy, modelos de redes neuronales convolucionales y bucles de entrenamiento con hiperparámetros personalizables. Los usuarios pueden monitorear el progreso del entrenamiento a través de registros en la consola y guardar puntos de control para evaluación posterior. Tras el entrenamiento, el agente puede desplegarse para jugar automáticamente en vivo o compararse con diferentes arquitecturas de modelos. El diseño modular permite una sustitución sencilla de algoritmos RL, haciendo de esta plataforma un entorno flexible para experimentación.

Este bootcamp cubre el marco de LangChain de principio a fin, permitiéndote construir Agentes de IA en Python. Explorarás plantillas de prompts, composición de cadenas, herramientas de agentes, memoria conversacional y recuperación de documentos. A través de notebooks interactivos y ejercicios detallados, implementarás chatbots, flujos de trabajo automatizados, sistemas de preguntas y respuestas y cadenas de agentes personalizadas. Al finalizar, entenderás cómo desplegar y optimizar agentes basados en LangChain para diversas tareas.

mini-agi fue diseñado para simplificar la creación de agentes de IA autónomos proporcionando un marco modular y minimalista. Construido en Python, aprovecha los modelos de lenguaje de OpenAI para interpretar metas de alto nivel, descomponer en subtareas y orquestar llamadas a herramientas, como peticiones HTTP, operaciones con archivos o acciones personalizadas. El marco incluye almacenamiento de memoria para rastrear el estado del agente y resultados, un módulo planificador para la descomposición de tareas usando heurísticas basadas en costos, y un módulo ejecutor que invoca secuencialmente las herramientas. Con archivos de configuración, los usuarios pueden insertar herramientas personalizadas, definir plantillas de prompts y ajustar la profundidad de planificación. La arquitectura ligera de mini-agi lo hace ideal para prototipar agentes de IA que realizan consultas de investigación, automatizan flujos de trabajo o generan código de forma autónoma.

Este repositorio proporciona un marco completo para la investigación en juego en StarCraft II. El agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretan datos de observación del entorno PySC2 y generan acciones precisas en el juego. Los desarrolladores pueden configurar capas de redes neuronales, formateo de recompensas y horarios de entrenamiento para optimizar el rendimiento. El sistema soporta multiproceso para recolección eficiente de muestras, utilidades de registro para monitorear curvas de entrenamiento y scripts de evaluación para correr políticas entrenadas contra oponentes scriptados o AI incorporados. El código está escrito en Python y aprovecha TensorFlow para definición y optimización de modelos. Los usuarios pueden extender componentes como funciones de recompensa personalizadas, preprocesamiento de estado o arquitecturas de red para fines específicos de investigación.