Skip to content

Latest commit

 

History

History
71 lines (53 loc) · 1.85 KB

README.md

File metadata and controls

71 lines (53 loc) · 1.85 KB

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 !