Este bootcamp cobre o framework LangChain de ponta a ponta, permitindo que você construa Agentes de IA em Python. Você explorará templates de prompts, composição de cadeias, ferramentas de agentes, memória conversacional e recuperação de documentos. Através de notebooks interativos e exercícios detalhados, você implementará chatbots, fluxos de trabalho automatizados, sistemas de perguntas e respostas e cadeias de agentes personalizadas. Ao final do curso, você entenderá como implantar e otimizar agentes baseados em LangChain para diversas tarefas.

Este repositório fornece uma estrutura completa de aprendizado por reforço para pesquisa de jogabilidade em StarCraft II. O agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretam dados de observação do ambiente PySC2 e geram ações precisas no jogo. Desenvolvedores podem configurar camadas de redes neurais, modelagem de recompensas e cronogramas de treinamento para otimizar o desempenho. O sistema suporta multiprocessamento para coleta eficiente de amostras, utilitários de registro para monitorar curvas de treinamento e scripts de avaliação para executar políticas treinadas contra oponentes scriptados ou IA incorporada. O código é escrito em Python e utiliza TensorFlow para definição e otimização de modelos. Usuários podem estender componentes como funções de recompensa personalizadas, pré-processamento de estado ou arquiteturas de rede para atender a objetivos de pesquisa específicos.