🔑 名詞卡
強化學習（Reinforcement Learning, RL）
🎯 定義
代理（Agent）透過探索環境執行不同的行動，並根據環境提供的回饋（反饋）不斷更新策略，這一過程反映了「試錯學習（Trial-and-Error）」的本質。核心目標是最大化累積獎勵（Cumulative Reward），從而在長期決策中實現最佳效益。
三個核心要素
| 要素 | 說明 |
|---|---|
| Agent（代理） | 負責進行決策和行動的學習系統 |
| 環境（Environment） | 代理所處的操作環境，會根據代理的行動提供回饋 |
| 獎勵（Reward） | 代理執行某一行動後獲得的回饋，表示行動的好壞 |
流程
初始狀態 → 選擇行動（Exploration 探索或 Exploitation 利用）→ 執行行動（返回新狀態與獎勵）→ 更新策略（最大化未來累積獎勵）
常見方法
- Q-Learning：學習每個行動的長期價值（Q 值）
- Deep Q-Learning：結合深度神經網路近似 Q 值，解決高維度環境限制
應用範例
遊戲 AI（AlphaGo、Atari）、機器人控制（行走平衡、機械臂抓取）、自動駕駛路徑規劃。
記憶技巧
看到「代理」「環境」「獎勵」「試錯」「累積獎勵」這些關鍵字，直接聯想強化學習。
易混淆
- vs 監督式學習：監督式學習用標記數據直接指導；強化學習用環境獎勵回饋間接指導，且強調序列決策。
📖 課文原文「代理（Agent）透過探索環境執行不同的行動，並根據環境提供的回饋（反饋）不斷更新策略，這一過程反映了『試錯學習（Trial-and-Error）』的本質。」