強化機器學習（Reinforcement Learning, RL）

是一種機器學習方法，強調 智能體（Agent） 如何基於環境而行動，取得最大化的預期利益。簡單來說，讓一個AI在不斷嘗試錯誤的過程中，學習到什麼樣的行為能帶來最好的結果

強化學習核心概念

• 智能體(Agent)： 進行決策的主體，例如：下棋程式、機器人
• 環境(Environment)： 智能體所處的環境，會根據智能體的行動給予回饋
• 狀態(State)： 環境在某個時間點的狀態
• 行動(Action)： 智能體可以採取的動作
• 獎勵(Reward)： 環境給予智能體的回饋，正向獎勵表示行動是好的，負向獎勵表示行動是壞的
• 策略(Policy)： 智能體根據狀態選擇行動的規則
  
  圖片來源:(https://www.scribbr.com/ai-tools/reinforcement-learning/)

強化學習學習過程

• 初始化：設定初始狀態、行動空間、獎勵函數
• 探索與利用：智能體在環境中探索，嘗試不同的行動，並根據得到的獎勵更新策略
• 學習：智能體不斷重複探索與利用的過程，逐漸學習到最佳的策略

強化學習應用

• 遊戲：AlphaGo、Atari遊戲
• 機器人控制：自主駕駛、機器人行走
• 金融：股票交易、風險管理
• 推薦系統：商品推薦、內容推薦

強化學習公式

G_t = ∑_{k=0}^{∞} γ^k * r_{t+k}

強化學習演算法

• Q-learning： 值函數演算法，學習狀態-行動對的價值
• Policy Gradient： 策略演算法，直接學習策略
• Deep Q-Network (DQN)： 將深度學習與Q-learning結合，處理高維度狀態空間

強化學習程式碼 (Python,OpenAI Gym)

import gym
import numpy as np

env = gym.make('CartPole-v1')
observation = env.reset()

for _ in range(1000):
    env.render()
    action = env.action_space.sample() #隨機選擇動作
    observation, reward, done, info = env.step(action)

    if done:
        observation = env.reset()
env.close()