SeeAct est conçu pour donner aux agents vision-langage une pipeline en deux étapes : un module de planification alimenté par de grands modèles de langage génère des sous-objectifs basés sur des scènes observées, et un module d'exécution traduit ces sous-objectifs en actions spécifiques à l'environnement. Un backbone de perception extrait des caractéristiques d'objets et de scènes à partir d'images ou de simulations. L'architecture modulaire permet de remplacer facilement les planificateurs ou réseaux de perception et supporte l'évaluation sur AI2-THOR, Habitat et d'autres environnements personnalisés. SeeAct accélère la recherche sur l'IA incarnée interactive en fournissant une décomposition, une mise en contexte et une exécution de tâches de bout en bout.

Timetk fournit une suite complète d'outils adaptés au traitement des données de séries chronologiques. Avec son interface conviviale, il simplifie les tâches telles que la visualisation des données, l'ingénierie des fonctionnalités et les prévisions. Les utilisateurs peuvent facilement manipuler des index basés sur le temps, ce qui le rend particulièrement utile pour les data scientists et les analystes engagés dans la modélisation prédictive. Le package étend les fonctionnalités standards disponibles dans R, permettant une intégration plus transparente et des fonctionnalités à travers divers ensembles de données. En offrant ces fonctionnalités robustes, Timetk permet aux utilisateurs d'extraire des informations et de faire des prédictions éclairées à partir de données de séries chronologiques complexes.

Le dépôt Berkeley Pacman Projects offre une base de code Python modulaire où les utilisateurs construisent et testent des agents IA dans un labyrinthe Pacman. Il guide les apprenants à travers la recherche non informée et informée (DFS, BFS, A*), la recherche multi-agents adversariale (minimax, élagage alpha-bêta), et l'apprentissage par renforcement (Q-learning avec extraction de caractéristiques). Des interfaces graphiques intégrées visualisent le comportement des agents en temps réel, tandis que des cas de test intégrés et un autograder vérifient la correction. En itérant sur les implémentations d'algorithmes, les utilisateurs acquièrent une expérience pratique en exploration de l'espace d'états, conception d'heuristiques, raisonnement adversarial, et apprentissage basé sur les récompenses au sein d'un cadre de jeu unifié.