icon
AI 도구 카테고리 AI 에이전트 MCP 순위 제출 및 광고
로그인

초보자 친화적 custom reward functions 도구

간단한 설정과 쉬운 사용법을 제공하는 custom reward functions 도구로 시작부터 성공적인 작업을 만드세요.

custom reward functions

  • Gym-Recsys

    Gym-Recsys는 확장 가능한 강화 학습 추천 에이전트의 학습 및 평가를 위한 맞춤형 OpenAI Gym 환경을 제공합니다.
    0
    0
    Gym-Recsys란?
    Gym-Recsys는 추천 작업을 OpenAI Gym 환경으로 래핑하는 도구 모음으로, 강화 학습 알고리즘이 시뮬레이션된 사용자-항목 행렬과 단계별로 상호작용할 수 있도록 합니다. 합성 사용자 행동 생성기, 인기 데이터셋 로드 기능, Precision@K 및 NDCG와 같은 표준 추천 지표를 제공합니다. 사용자들은 보상 함수, 사용자 모델, 아이템 풀을 맞춤형으로 설정하여 재현 가능한 방식으로 다양한 RL 기반 추천 전략을 실험할 수 있습니다.

  • gym-fx

    gym-fx는 외환 거래 전략을 위한 강화 학습 에이전트를 훈련하고 평가할 수 있는 맞춤형 OpenAI Gym 환경을 제공합니다.
    0
    0
    gym-fx란?
    gym-fx는 OpenAI Gym 인터페이스를 사용하는 시뮬레이션된 외환 거래 환경을 구현하는 오픈소스 Python 라이브러리입니다. 다수의 통화 쌍 지원, 과거 가격 피드 통합, 기술 지표, 그리고 완전히 맞춤형 보상 함수를 제공합니다. 표준화된 API를 통해, gym-fx는 알고리즘 거래용 강화 학습 알고리즘 벤치마킹 및 개발 프로세스를 간소화합니다. 사용자는 시장 슬리피지, 거래 비용, 관찰 공간을 조정하여 실시간 거래 시나리오와 유사하게 만들어, 전략 개발과 평가를 견고하게 지원합니다.

  • MARFT

    MARFT는 협력 AI 워크플로우와 언어 모델 최적화를 위한 오픈 소스 다중 에이전트 RL 파인튜닝 툴킷입니다.
    0
    0
    MARFT란?
    MARFT는 재현 가능한 실험과 협력 AI 시스템의 빠른 프로토타이핑을 가능하게 하는 Python 기반의 LLM입니다.

  • Multi-Agent Surveillance

    격자 기반 시나리오에서 AI 에이전트를 협력적으로 훈련시키기 위한 오픈소스 Python 환경입니다.
    0
    0
    Multi-Agent Surveillance란?
    멀티 에이전트 감시는 연습형 격자 세계에서 포식자 또는 도주자로 행동하는 여러 AI 에이전트들의 유연한 시뮬레이션 프레임워크를 제공합니다. 사용자들은 격자 크기, 에이전트 수, 탐지 반경, 보상 구조 등의 환경 매개변수를 구성할 수 있습니다. 저장소에는 에이전트 행동을 위한 Python 클래스, 시나리오 생성 스크립트, matplotlib을 통한 내장 시각화, 인기 있는 강화학습 라이브러리와의 원활한 통합이 포함되어 있으며, 이를 통해 다중 에이전트 협력의 벤치마크 설정, 맞춤 감시 전략 개발, 재현 가능 실험 수행이 용이합니다.

  • Multi-Agent DDPG with PyTorch & Unity ML-Agents

    PyTorch와 Unity ML-Agents를 사용한 분산형 다중 에이전트 DDPG 강화 학습 구현으로 협력 에이전트 훈련을 지원합니다.
    0
    0
    Multi-Agent DDPG with PyTorch & Unity ML-Agents란?
    이 오픈소스 프로젝트는 PyTorch와 Unity ML-Agents를 기반으로 구축된 완전한 다중 에이전트 강화 학습 프레임워크를 제공합니다. 분산 DDPG 알고리즘, 환경 래퍼, 훈련 스크립트를 포함하며, 사용자들은 에이전트 정책, 비평 네트워크, 재현 버퍼, 병렬 훈련 워커를 구성할 수 있습니다. 로깅 후크는 TensorBoard 모니터링을 가능하게 하며, 모듈화된 코드는 사용자 지정 보상 함수와 환경 매개변수를 지원합니다. 저장된 Unity 예제 씬은 협력 탐색 작업을 시연하며, 시뮬레이션에서 다중 에이전트 시나리오 확장과 벤치마킹에 이상적입니다.

  • RL Shooter

    RL Shooter는 AI 에이전트를 탐색하고 목표물을 사격하도록 훈련시키기 위한 커스터마이징 가능한 Doom 기반 강화 학습 환경을 제공합니다.
    0
    0
    RL Shooter란?
    RL Shooter는 ViZDoom과 OpenAI Gym API를 통합하는 파이썬 기반 프레임워크로, FPS 게임을 위한 유연한 강화 학습 환경을 만듭니다. 사용자는 사용자 정의 시나리오, 맵, 보상 구조를 정의하여 탐색, 타겟 감지, 사격 작업에 사용할 수 있습니다. 조정 가능한 관찰 프레임, 행동 공간, 로깅 기능을 갖추고 있어 Stable Baselines 및 RLlib과 같은 인기 딥 RL 라이브러리를 지원하며, 성능 추적과 실험 재현성을 보장합니다.

  • Simple Playgrounds

    가볍고 사용자 정의 가능한 2D 격자 환경을 만들어 강화 학습 에이전트를 훈련하고 시험할 수 있는 파이썬 라이브러리입니다.
    0
    0
    Simple Playgrounds란?
    Simple Playgrounds는 에이전트가 미로를 탐색하고, 객체와 상호작용하며, 작업을 완료할 수 있는 인터랙티브 2D 격자 환경을 구축하기 위한 모듈형 플랫폼입니다. 사용자는 YAML 또는 Python 스크립트를 통해 환경 레이아웃, 객체 행동, 보상 기능을 정의합니다. 통합된 Pygame 렌더러는 실시간 시각화를 제공하며, 스텝 기반 API는 Stable Baselines3와 같은 RL 라이브러리와의 원활한 통합을 보장합니다. 멀티에이전트 세팅, 충돌 감지, 커스터마이징 가능한 물리 파라미터를 지원하여 프로토타입 제작, 벤치마킹, 교육적 데모를 간소화합니다.

  • StarCraft II Reinforcement Learning Agent

    DeepMind의 PySC2 환경을 활용하는 PPO 기반 오픈소스 강화학습 에이전트로 StarCraft II를 훈련 및 플레이합니다.
    0
    0
    StarCraft II Reinforcement Learning Agent란?
    이 저장소는 StarCraft II 게임 플레이 연구를 위한 엔드-투-엔드 강화학습 프레임워크를 제공합니다. 핵심 에이전트는 PySC2 환경의 관측 데이터를 해석하여 정밀한 게임 내 행동을 출력하는 정책 네트워크를 학습하기 위해 PPO를 사용합니다. 개발자는 신경망 계층, 보상 설계, 학습 일정을 구성하여 성능을 최적화할 수 있습니다. 이 시스템은 샘플 수집의 효율성을 위한 다중 프로세싱, 학습 곡선을 모니터링하는 로깅 유틸리티, 스크립트 또는 내장 AI 대전용 평가 스크립트를 지원합니다. 코드는 Python으로 작성되었으며 TensorFlow를 활용하여 모델 정의 및 최적화를 수행합니다. 사용자는 사용자 정의 보상 함수, 상태 전처리, 네트워크 아키텍처 등 구성요소를 확장할 수 있습니다.
추천