Reinforcement Learning (RL) environments

Environments for RL

• Cartpole

Aquí van los ambientes que se van a usar para el taller y competencia de Reinforcement Learning para juegos.

Crear el ambiente de desarrollo con Conda

Si no eres parte del equipo de desarrollo del taller no te preocupes por esta parte :)

Para importar las dependencias de desarrollo para armar el taller corre el siguiente comando:

conda env create --file dev-environment.yml

Para activar este ambiente corre:

conda activate rl-lab-dev

Además de incluir las dependencias que se usan para que el ambiente y y el juego corran (numpy, pygame), se incluyen cosas como pre-commit (para correr ciertos chequeos antes de que se haga un commit) y Ruff (para lintear y formatear el código, se corre con el pre-commit), así nos aseguramos que el código se mantiene bajo un cierto estándar.

Si quieres correr el chequeo con pre-commit para los archivos que acabas de agregar o modificar, primero asegúrate que agregaste todos esos archivos con git add (tus-archivos) y luego corre:

pre-commit

Si se modificó algún archivo, tienes que volver a agregar tus archivos con git add y ya debería estar listo para que le hagas commit.

Recursos RL

Cursos

• UCL Course on RL - David Silver - https://www.davidsilver.uk/teaching/
• Huggingface DeepRL course - https://huggingface.co/learn/deep-rl-course/unit0/introduction
• Practical_RL - https://github.com/yandexdataschool/Practical_RL

Mate

• 3Blue1Brown Essence of Linear Algebra - https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab

Libros

• Intro to RL Barto Sutton - http://incompleteideas.net/book/RLbook2020.pdf
  • Exercise solutions