機器學習的一箇分支
強化學習（Reinforcement Learning, RL）是機器學習的一箇分支，它模擬了人與環境互動的學習過程。
在這種學習過程中，智能體（agent）通過在與環境的互動中採取行動，並根據環境的反饋（獎勵或懲罰）來調整其行爲，目標是最大化長期的獎勵信號，即實現某種形式的回報。強化學習的基礎是馬爾可夫決策過程（MDP），它依賴於獎勵和懲罰來指導學習，與監督學習和無監督學習不同，強化學習不依賴於預先標記的數據或未標記數據的內在結構。強化學習的關鍵特點包括試錯學習和延遲獎勵，智能體必須在探索（嘗試新動作）和利用（重複已知的有效動作）之間找到平衡，以優化其長期表現。強化學習在各種領域中都有應用，如信息論、博弈論、自動控制和機器人技術，其中一些複雜的算法已經能夠達到或甚至超過人類在特定任務上的表現。