Этот буткемп охватывает весь фреймворк LangChain, позволяя создавать AI-агентов на Python. Вы исследуете шаблоны подсказок, составление цепей, инструменты агентов, память диалогов и поиск по документам. Через интерактивные блокноты и подробные упражнения вы реализуете чатботов, автоматизированные рабочие процессы, системы вопросов и ответов, а также настраиваемые цепочки агентов. По окончании курса вы научитесь развертывать и оптимизировать LangChain-агентов для различных задач.

Данный репозиторий предоставляет полноценную рамочную платформу для исследований в области обучения с подкреплением в игре StarCraft II. Основной агент использует Proximal Policy Optimization (PPO) для обучения сетей политики, интерпретирующих данные наблюдений из среды PySC2 и выдающих точные действия в игре. Разработчики могут настраивать слои нейронных сетей, формирование вознаграждений и графики обучения для оптимизации производительности. Система поддерживает многопоточность для эффективного сбора образцов, утилиты логирования для мониторинга кривых обучения и скрипты оценки для тестирования обученных моделей против скриптованных или встроенных ИИ-оппонентов. Код написан на Python и использует TensorFlow для определения и оптимизации моделей. Пользователи могут расширять компоненты, такие как пользовательские функции вознаграждения, предварительная обработка состояния или архитектура сети, для достижения конкретных целей исследования.