Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner et tester des réseaux de neurones profonds. Il permet de simuler des agents intelligents dans des environnements virtuels, d'optimiser leurs politiques d'action et d'évaluer leurs performances. Les modèles générés peuvent être utilisés pour résoudre des problèmes complexes en robotique, jeux vidéo ou optimisation industrielle.

Ce projet développe des agents autonomes capables d'apprendre et d'optimiser leurs actions dans des environnements simulés. Il utilise des techniques d'apprentissage par renforcement profond pour entraîner des modèles capables de prendre des décisions complexes. Les applications visent à résoudre des problèmes d'optimisation, de prédiction ou de contrôle dans des domaines variés comme la robotique, les jeux ou la logistique.

Ce projet est un tutoriel pratique sur l'apprentissage par renforcement profond (DRL) pour la navigation de robots. Il permet de former un agent DRL (SAC) à se déplacer vers une position cible tout en évitant les obstacles. Le logiciel contient une simulation 2D de l'environnement et du robot, l'agent DRL avec sa procédure d'entraînement et des outils de visualisation des résultats d'entraînement.

Ce projet explore l'application de l'apprentissage par renforcement profond (Deep Reinforcement Learning) pour entraîner un agent à jouer au jeu Snake. Il combine des concepts de simulation de jeu vidéo et d'intelligence artificielle pour créer un modèle capable de maîtriser ce jeu classique.

Ce projet propose une méthode innovante pour contrôler le freinage d'un robot en tenant compte des capacités réelles de chaque configuration articulaire, plutôt que des valeurs maximales constantes. En utilisant l'apprentissage par renforcement profond, il apprend une politique de contrôle optimale pour générer des trajectoires de freinage plus efficaces sur les plans temporel et énergétique, surpassant les techniques classiques.

Outil dédié à l'amélioration de la détection d'anomalies (OOD) dans les modèles d'apprentissage profond. Il permet d'appliquer la méthode LogitNorm pour normaliser les logits lors de l'entraînement, renforçant ainsi la robustesse des modèles face à des données hors distribution. Le projet inclut également des fonctionnalités d'évaluation comparative de différentes méthodes de détection d'anomalies sur des jeux de données prédéfinis.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce projet est un modèle d'apprentissage profond capable de traiter des images et d'en extraire des informations utiles. Il utilise des algorithmes de deep learning pour détecter et classifier des formes, des objets ou des caractères spécifiques dans des images.