強化學習（Reinforcement learning）潛力無窮，能解決許多開發應用上面臨的艱難決策問題，包括產業自動化、自主駕駛、電玩競技遊戲以及機器人等，因此備受矚目。

強化學習是機器學習（Machine learning）的一種，指的是電腦透過與一個動態（dynamic）環境不斷重複地互動，來學習正確地執行一項任務。這種嘗試錯誤（trial-and-error）的學習方法，使電腦在沒有人類干預、沒有被寫入明確的執行任務程式下，就能夠做出一系列的決策。最著名的強化學習案例就是AlphaGo，它是第一支打敗人類圍棋比賽世界冠軍的電腦程式。

強化學習的運作主要是仰賴動態環境中的資料—也就是會隨著外部條件變化而改變的資料，像是天氣或交通流量。強化學習演算法的目標，即是於找出能夠產生最佳結果的策略。強化學習之所以能達成目標，是藉著軟體當中被稱為主體 （agent）的部分在環境中進行探索、互動和學習的方法。
...
...