Reinforcement Learning Algorithms

Aperçu

Ce projet explore et teste divers algorithmes d'Apprentissage par Renforcement (RL) à travers plusieurs environnements. L'objectif est d'évaluer leurs performances et de comprendre leur comportement dans différents contextes.

Fonctionnalités

• Algorithmes RL implémentés :

  • Programmation Dynamique
  • Méthodes de Monte Carlo
  • Apprentissage par Différence Temporelle
  • Algorithmes de Planification

• Environnements testés :

  • Monde en Grille (Grid World)
  • Monde en Ligne (Line World)
  • Problème de Monty Hall (3 portes)
  • Problème de Monty Hall (5 portes)
  • Pierre-Papier-Ciseaux
  • Environnement Secret 🚀

Installation

1. Cloner le dépôt :

   git clone https://github.com/Mileristovski/reinforcementLearning.git

2. Se déplacer dans le répertoire du projet :

   cd reinforcementLearning/src/bin/back

3. Installer les dépendances :

   cargo build --release

Utilisation

1. Exécuter un algorithme RL sur un environnement donné :

   cargo run --release

2. Suivre la progression de l'entraînement via les journaux ou les visualisations.

Environnements Testés

• Monde en Grille (Grid World)
• Monde en Ligne (Line World)
• Problème de Monty Hall (3 portes)
• Problème de Monty Hall (5 portes)
• Pierre-Papier-Ciseaux
• Environnement Secret

Algorithmes RL Implémentés

• Programmation Dynamique
• Méthodes de Monte Carlo
• Apprentissage par Différence Temporelle
• Algorithmes de Planification

Contribution

Les contributions sont les bienvenues ! N'hésitez pas à forker le dépôt et à soumettre une pull request.

Licence

Ce projet est sous licence MIT. Consultez le fichier LICENSE pour plus de détails.

---

🚀 Bon apprentissage par renforcement !