强化学习是一个解决控制任务（也称为决策问题）的框架，通过构建智能体，使其通过试错与环境交互，并接收奖励（正或负）作为独特反馈来学习。

在强化学习中，我们需要平衡探索环境的程度和利用我们所了解的环境信息的程度。

• 探索是通过尝试随机动作来探索环境，以获取更多关于环境的信息。

• 利用是利用已知信息来最大化奖励。

• 策略π是我们的智能体的大脑。它是一个函数，告诉我们根据所处状态采取什么行动。因此，它定义了智能体在给定时间的行为。

• 基于价值的方法是解决强化学习问题的主要方法之一。
• 在基于价值的方法中，我们不训练策略函数，而是训练一个价值函数，将状态映射到处于该状态的预期价值。

• 在基于策略的方法中，我们直接学习一个策略函数。
• 这个策略函数将从每个状态映射到该状态下的最佳相应动作。或者在该状态下所有可能动作的概率分布。