強化學習（Reinforcement Learning）
強化學習（Reinforcement Learning, RL）描述機器在沒有標準答案的情況下如何進行學習。在這個框架中，系統中的決策主體稱為人工智慧代理（Agent）。
強化學習不同於監督式學習（Supervised Learning）與非監督式學習（Unsupervised Learning）。此方法不依賴標記資料，也不提供明確正解。代理透過與環境互動取得回饋，並在反覆嘗試中逐步調整行為，以接近較佳結果。
運作方式
在強化學習中，代理根據當前狀態做出行動，環境回傳對應的回饋，稱為獎勵（Reward）。學習目標不是單一步驟的正確性，而是讓整體累積獎勵最大化，並形成穩定的行為策略（Policy）。
基本流程可以描述為一個循環過程。代理先觀察環境狀態，接著依據策略選擇行動。環境根據該行動給出獎勵，並轉換到新的狀態。代理根據回饋調整策略，然後進入下一輪互動。這個過程會持續進行，使策略逐步改善。
在學習過程中，代理需要在探索（Exploration）與利用（Exploitation）之間取得平衡。探索指嘗試未知行為，以發現潛在更好的策略。利用指選擇已知效果較好的行為，以穩定累積獎勵。兩者的取捨會直接影響學習效率與最終結果。
整體而言，強化學習的核心在於持續互動與回饋累積。代理不會在一開始就知道最佳行動，而是透過反覆嘗試逐步形成有效策略，同時考量短期與長期的回饋影響。
