====== Apprentissage par renforcement - Reinforcement Learning ======



<WRAP left round tip 80%>
Sauter à la navigationSauter à la recherche
En intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome (robot, etc.), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement, et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative. L'agent cherche, au travers d'expériences itérées, un comportement décisionnel (appelé stratégie ou politique, et qui est une fonction associant à l'état courant l'action à exécuter) optimal, en ce sens qu'il maximise la somme des récompenses au cours du temps.

[[https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement|Wikipedia]]
</WRAP>

===== Liens =====

[[https://github.com/DRL-CASIA/StarCraft-AI|StarCraft-AI]]
[[http://blog.dlib.net/2015/06/reinforcement-learning-control-and-3d.html|Dlib control-and-3d]]
[[https://github.com/maximecb/gym-minigrid|Gym]]
[[https://github.com/erilyth/Flappy-Bird-Genetic-Algorithms|Flappy-Bird]]
https://github.com/topics/flappybird?o=desc&s=