SeeAct está diseñado para capacitar a agentes visión-lenguaje con una pipeline de dos etapas: un módulo de planificación impulsado por grandes modelos de lenguaje genera subobjetivos basados en escenas observadas, y un módulo de ejecución traduce estos subobjetivos en acciones específicas del entorno. Una columna vertebral de percepción extrae características de objetos y escenas de imágenes o simulaciones. La arquitectura modular permite reemplazar fácilmente planificadores o redes de percepción y soporta evaluación en AI2-THOR, Habitat y entornos personalizados. SeeAct acelera la investigación en IA embebida interactiva ofreciendo descomposición de tareas de extremo a extremo, acoplamiento y ejecución.

Timetk proporciona un conjunto completo de herramientas adaptadas para manejar datos de series temporales. Con su interfaz fácil de usar, simplifica tareas como la visualización de datos, la ingeniería de funciones y el pronóstico. Los usuarios pueden manipular fácilmente índices basados en el tiempo, lo que lo hace particularmente útil para científicos de datos y analistas involucrados en modelado predictivo. El paquete extiende las funcionalidades estándar disponibles en R, permitiendo una integración más fluida y funcionalidad a través de varios conjuntos de datos. Al ofrecer estas características robustas, Timetk empodera a los usuarios para extraer información y hacer pronósticos informados a partir de datos de series temporales complejas.

El repositorio Berkeley Pacman Projects ofrece una base de código Python modular donde los usuarios construyen y prueban agentes IA en un laberinto de Pacman. Guía a los aprendices a través de la búsqueda no informada e informada (DFS, BFS, A*), búsqueda adversarial multiactores (minimax, poda alfa-beta) y aprendizaje por refuerzo (Q-learning con extracción de características). Interfaces gráficas integradas visualizan el comportamiento de los agentes en tiempo real, mientras que los casos de prueba integrados y el autocalificador verifican la corrección. Al iterar sobre las implementaciones de algoritmos, los usuarios adquieren experiencia práctica en exploración del espacio de estados, diseño heurístico, razonamiento adversarial y aprendizaje basado en recompensas dentro de un marco de juego unificado.