強化學習是一種機器學習方法，用於訓練「代理人」（agent）透過與環境互動來學習最優的行為策略。在強化學習中，agent 通過觀察環境的狀態和獲得的獎勵信號來進行學習和決策，目的是最大化長期獎勵。
強化學習的基本概念包括：
環境：agent 所處的外部世界，包括狀態、行動和獎勵。
狀態：描述環境的特定時刻。
行動：agent 對環境進行的操作。
獎勵：agent 根據行動所獲得的回饋信號。
策略：agent 在給定狀態下選擇行動的方式。
強化學習的主要方法包括：價值迭代、策略梯度、Q 學習和演化策略等。這些方法各有優缺點，可以根據不同問題的性質和需求進行選擇。
強化學習在許多領域都有廣泛的應用，包括遊戲、機器人控制、自動駕駛、自然語言處理等。