强化学习是一个用于解决控制任务（也称为决策问题）的框架，通过构建智能体，使其通过与环境交互进行试错并接收奖励（正或负）作为唯一反馈，从而从环境中学习。

在强化学习中，我们需要平衡探索环境的程度和利用我们对环境了解的程度。

• 探索是通过尝试随机动作来探索环境，以便找到关于环境的更多信息。

• 利用是利用已知信息来最大化奖励。

• 策略 π 是我们智能体的大脑。它是告诉我们在给定状态下应该采取什么动作的函数。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，该函数将状态映射到处于该状态的期望价值。

• 在基于策略的方法中，我们直接学习策略函数。
• 此策略函数将从每个状态映射到该状态下最佳的对应动作。或者在该状态下可能动作集合上的概率分布。