強化學習是一個解決控制任務（也稱為決策問題）的框架，透過構建智慧體，使其透過試錯與環境互動，並接收獎勵（正或負）作為獨特反饋來學習。

在強化學習中，我們需要平衡探索環境的程度和利用我們所瞭解的環境資訊的程度。

• 探索是透過嘗試隨機動作來探索環境，以獲取更多關於環境的資訊。

• 利用是利用已知資訊來最大化獎勵。

• 策略π是我們的智慧體的大腦。它是一個函式，告訴我們根據所處狀態採取什麼行動。因此，它定義了智慧體在給定時間的行為。

• 基於價值的方法是解決強化學習問題的主要方法之一。
• 在基於價值的方法中，我們不訓練策略函式，而是訓練一個價值函式，將狀態對映到處於該狀態的預期價值。

• 在基於策略的方法中，我們直接學習一個策略函式。
• 這個策略函式將從每個狀態對映到該狀態下的最佳相應動作。或者在該狀態下所有可能動作的機率分佈。