强化学习（Reinforcement Learning, RL）是机器学习的一个重要分支，通过** agent 与环境的交互**来学习最优策略。以下是关键知识点：
1. 核心概念
- Agent：执行动作的智能体，如游戏AI或机器人
- Environment：Agent所处的环境，包含状态转移规则
- Reward Signal：环境给予的反馈信号，指导Agent优化行为
- Policy：Agent决策的策略，决定动作选择概率
2. 典型算法
- Q-Learning：基于价值的无模型算法
- 深度强化学习：结合深度神经网络处理高维状态空间
- Actor-Critic框架：同时优化策略网络（Actor）和价值网络（Critic）
3. 应用领域
- 游戏AI（如AlphaGo）
- 自动驾驶决策系统
- 机器人路径规划
- 金融投资策略优化
4. 学习资源推荐
- 深度强化学习实战教程（进阶内容）
- OpenAI Gym 环境库 - 用于算法实验
- PyTorch 强化学习示例 - 代码实现演示
📌 提示：建议先掌握基础概率论和动态规划知识，再深入学习强化学习理论。