Bienvenue à PyBrain

, Author

PyBrain est une bibliothèque modulaire d’apprentissage automatique pour Python. Son objectif est d’offrir des algorithmes flexibles, faciles à utiliser mais toujours puissants pour les tâches d’apprentissage automatique et une variété d’environnements prédéfinis pour tester et comparer vos algorithmes.

PyBrain est l’abréviation de Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network Library. En fait, nous avons d’abord trouvé ce nom, puis nous avons procédé à une rétro-ingénierie de ce « Backronyme » assez descriptif.

En quoi PyBrain est-il différent ?

Alors qu’il existe quelques bibliothèques d’apprentissage automatique, PyBrain vise à être une bibliothèque modulaire très facile à utiliser qui peut être utilisée par des étudiants de niveau débutant mais qui offre toujours la flexibilité et les algorithmes pour la recherche de pointe. Nous travaillons constamment sur des algorithmes plus nombreux et plus rapides, en développant de nouveaux environnements et en améliorant la convivialité.

Ce que PyBrain peut faire

PyBrain, comme son nom écrit le suggère déjà, contient des algorithmes pour les réseaux neuronaux, pour l’apprentissage par renforcement (et la combinaison des deux), pour l’apprentissage non supervisé et l’évolution. Comme la plupart des problèmes actuels portent sur des espaces d’état et d’action continus, des approximateurs de fonctions (comme les réseaux de neurones) doivent être utilisés pour faire face à la grande dimensionnalité. Notre bibliothèque est construite autour de réseaux de neurones dans le noyau et toutes les méthodes de formation acceptent un réseau de neurones comme instance à former. Cela fait de PyBrain un outil puissant pour les tâches de la vie réelle.

Utilisation de PyBrain

PyBrain est open source et gratuit pour tout le monde (il est sous licence BSD Software Licence). Il suffit de le télécharger et de commencer à utiliser les algorithmes et les modules dans votre propre projet ou de jeter un coup d’œil aux tutoriels et exemples fournis.Si vous utilisez PyBrain pour vos recherches, nous vous demandons de nous citer dans vos publications. Utilisez la référence ci-dessous ou importez cette référence bibtex.

Tom Schaul, Justin Bayer, Daan Wierstra, Sun Yi, Martin Felder, Frank Sehnke, Thomas Rückstieß, Jürgen Schmidhuber.PyBrain. A paraître dans : Journal of Machine Learning Research, 2010.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.