强化学习 (RL) 是一种机器学习范例，其中代理通过与环境交互来学习做出决策。它的目标是通过从其行动的后果中学习，随着时间的推移最大化累积奖励。代理人根据其行为以奖励或惩罚的形式收到反馈，并相应地调整其行为。随着时间的推移，通过反复试验，代理学习决策的最佳策略。
RL与其他学习范例的不同之处在于，它专注于从交互中学习，而不是从预先标记的数据中学习。它通常用于无法进行明确监督的场景，例如机器人，游戏和自动驾驶汽车。代理人的目标是找到一种策略，使长期回报最大化，而不是立即满足。
一个常见的例子是训练机器人在迷宫中导航: 机器人获得达到目标的积极反馈和做出错误动作的消极反馈。通过反复的互动，它可以改进其行为以有效地达到目标。