強化學習的基本概念
由於人類許多任務不只是分類、分群與預測，而存在許多需要依據環境不斷動態變化，採取一系列連續性的決策。
除了利用特徵值的機器學習方法外，植基於「回饋」(Feed-back)來不斷地、連續性地調整機器行為，以達成目標的強化(增強)式學習，當然就成為一種非常重要的主流機器學習模型。
透過每次行動(Action)所得到不同的報酬值(Reward)來決定在目前狀態下(State)應該如何選擇行動策略(Policy)的一種機器學習方法。

• 每個位置愈靠近目標價值愈大，距離愈遠價值遞減愈小。
• Agent在任何一個位置都會找尋價值最大的鄰居移動。
• 美個位置的價值是強化學習在走過所有不同路徑後，根據其距離目標的遠近距離所記錄下來的藏寶圖，即為馬可夫決策過程(Markov Decision Pro-cess, MDP)的狀態價值表(State-Value Table)☞當代理者做出不同決策或動作時，環境會給予不同的獎勵或處罰，而代理者會往價值最高的地方不斷地邁進，也就是所謂的「Q-Table」。
  總而言之，強化學習的精神在於「趨吉避凶」、「人往高處爬，不往低處走」，透過不斷的探索，預先估計每個行動的正負價值後，快速的、正確的、穩定的往目標邁進。

強化學習的主要應用

1. 自駕車。
2. 系統節能。
3. 金融股票投資運用。
4. 醫療健保上運用。
5. 產品推薦上運用：
   • 新聞推薦。
   • 朋友推薦。
   • 動態行銷廣告。
   • 搜尋引擎推薦。
6. 機器手臂操作。

強化學習的主要問題與演算法

1. 強化學習的主要問題
   ①狀態價值的估計。
   ②行動價值的估計。
   ③行動最佳化的問題。
2. 強化學習的主要演算法
   ①Q-Learning：屬暴力破解法(Brute Force Method)、不需建模、假設有無限的探索時間。
   ②Deep Q-Network(DQN)：結合深度學習(DL)加上強化學習(RL)，例如：AlphaGo。

強化學習的優缺點

1. 強化學習優點
   ①自我學習性。
   ②簡單性。
   ③通用性。
   ④自我調整性。
   ⑤創意性。
2. 強化學習的缺點
   ①報酬函數設定問題：不擇手段的風險。
   ②情境模擬涵蓋的完整性問題。
   ③無法模擬訓練的問題：尤其是許多具備「物理感知特性」的問題。
   ④訓練效率的問題。

強化學習主要特色

強化應用☞

• 學習哲學：
  • 給目標不擇手段。
  • 由環境的回饋不斷修正、試誤。
  • 趨吉避凶、找獎勵、避處罰。
• 主要應用：
  • 任何動態環境、一序列決策的任務。
  • 自駕車、下棋、打遊戲、各種推薦系統等。
• 主要模型：
  • Q-Learning。
  • Deep Q-Network(DQN)。
• 優點：
  • 自發性學習調整優化、簡單、適用。
  • 創意性。
• 缺點：
  • 目標設定的問題。
  • 環境的涵蓋問題。
  • 無法模擬的問題。
  • 訓練效率的問題。

參考資料
人工智慧-概念應用與管理　林東清著