机器学习概论—增强学习
强化学习（Reinforcement Learning, RL）或者说是增强学习，是机器学习的一个领域，旨在使智能体通过与环境的交互学习如何做出决策，它是关于在特定情况下采取适当的行动来最大化奖励。它被各种软件和机器用来寻找在特定情况下应采取的最佳行为或路径。强化学习与监督学习的不同之处在于，在监督学习中，训练数据带有答案键，因此模型是用正确答案本身进行训练的，而在强化学习中，没有答案，所以强化学习的特点在于智能体在学习过程中不会接收到明确的正确答案或标签，而是通过尝试和错误来获取知识。
在强化学习中，智能体通过与环境交互来学习。在每个步骤中，智能体都会观察环境的状态，然后根据其策略（policy）选择动作。环境根据智能体选择的动作来更新状态，并根据一定的奖励信号（reward signal）给予智能体奖励或惩罚。也就是说每次行动后，算法都会收到反馈，帮助它确定所做的选择是正确、中立还是错误。智能体的目标是通过与环境的交互，最大化长期累积的奖励。对于必须在没有人工指导的情况下做出大量小决策的自动化系统来说，这是一种很好的技术。
强化学习是一种自主的、自学的系统，本质上是通过反复试验来学习的。它执行行动的目的是最大化奖励，或者换句话说，它是边做边学，以获得最佳结果。
**强化学习的核心思想是智能体根据环境的反馈调整自己的行为，以获得更好的结果。**下面这张图可以很好的说明这一过程
