增強式學習在機器學習中擔任什麼角色呢？它與深度學習又有什麼關係呢？

增強式學習(Reinforcement Learning, RL)是一種機器學習類型，其發展歷程源起於：
1750-1850年 自動化工業革命 --> 1870-1940年 機器時代 -> 1950年至今 重複思維解決方案的自動化 -->
現今目標：
讓機器自己尋找解決方案人工智能，且不需要指定問題和/或目標，透過自主學習如何做出決定，能夠學習做出決定並且最佳化以實現目標

那如何達成自主學習的目標呢？機器透過與一個動態(dynamic)環境不斷重複地嘗試，來學習正確地執行一項任務。藉由自我嘗試錯誤(trial-and-error)的學習方法，使電腦在沒有人類干預、沒有被設定明確的任務下，能夠自主學習做出一系列的決策。因此，增強式學習中，有主要幾項主要的元件來達成目的，分別為：角色(actor)、環境(Environment)、獎勵(Reward)、狀態，找最大化獎勵的學習方式，如下圖。

圖片來源：維基百科

接下來30天，會為各位介紹：

1. RL原理
2. RL運作流程
3. Q-Learning
4. RL相關演算介紹
5. RL實際應用案例

參考資料：
https://ieeexplore.ieee.org/abstract/document/9244647
[Google DeepMind 2021年強化學習系列講座](2021 年強化學習系列講座)
ReinforcementLearning:AnIntroduction,Sutton&Barto2018