Ce bootcamp couvre le cadre LangChain de bout en bout, vous permettant de créer des agents IA en Python. Vous explorerez les modèles de prompt, la composition de chaînes, l'outilage d'agents, la mémoire conversationnelle et la récupération de documents. Grâce à des notebooks interactifs et des exercices détaillés, vous implémenterez des chatbots, des workflows automatisés, des systèmes de questions-réponses et des chaînes d'agents personnalisés. À la fin du cours, vous saurez déployer et optimiser des agents basés sur LangChain pour diverses tâches.

Ce dépôt fournit un cadre complet d'apprentissage par renforcement pour la recherche sur le gameplay de StarCraft II. L'agent principal utilise la Proximal Policy Optimization (PPO) pour apprendre des réseaux de politiques interprétant les données d'observation de l'environnement PySC2 et générant des actions précises dans le jeu. Les développeurs peuvent configurer les couches de réseaux neuronaux, la reformulation des récompenses et les plannings d'entraînement pour optimiser la performance. Le système supporte la collecte d'échantillons en multiprocessing pour plus d'efficacité, des outils de journalisation pour suivre les courbes d'entraînement, et des scripts d'évaluation pour tester les politiques entraînées contre des adversaires scriptés ou IA intégrée. Le code est écrit en Python et utilise TensorFlow pour la définition et l'optimisation des modèles. Les utilisateurs peuvent étendre des composants tels que les fonctions de récompense personnalisées, le pré-traitement des états ou les architectures de réseaux pour répondre à leurs objectifs de recherche spécifiques.