强化学习是**一个解决控制任务（也称为决策问题）的框架**，通过构建代理来学习环境，通过反复试验与环境交互，并**接收奖励（正向或负向）作为唯一的反馈**。

在强化学习中，我们需要**平衡我们探索环境的程度和我们利用我们对环境的了解的程度**。

• 探索是指通过**尝试随机动作来探索环境，以获取更多关于环境的信息**。

• 利用是指**利用已知信息来最大化奖励**。

• 策略 π **是强化学习智能体的核心**。它是一个函数，根据智能体所处的状态告诉我们应该采取什么行动。因此，它定义了智能体在特定时间的行为。

• 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**不是训练策略函数，而是训练一个价值函数，该函数将状态映射到处于该状态的期望值**。

• 在基于策略的方法中，我们**直接学习策略函数**。
• 这个策略函数将**将每个状态映射到该状态下对应的最佳动作**。或者**该状态下所有可能动作的概率分布**。