EBET易博官方网站强化学习（Reinforcement Learning）是让计算机实现在特定的情况下，通过不断地尝试,从错误中学习,最后找到规律,找到可以获得最大回报的行为。强化学习有四个基本组件，包括输入：环境（States），动作（Actions），回报(Rewards)以及输出：方案（Policy）。和监督学习不同，强化学习没有确定的标签，需要机器自己摸索，每一个动作对应一个奖赏，最后得到一个奖赏最大的方式进行数据处理。围棋AlphaGo就是一个强化学习的实例。

　　强化学习的主要算法有：Sarsa，QLearning, Policy Gradients, Actor-Critic,Deep-Q-Network等。强化学习的目标是发现最优策略π（x），使得达到最优价值Q【9】。主要有两种途径可以学习最优值函数：一种是基于模型的学习,在学习的过程中对模型进行估计,如实时动态规划（Real-TimeDynamic Programming, RTDP）；另一种是无模型学习,在学习的过程中直接估计最优行动值。Q学习算法是Watkins在1987年提出的一种无模型强化学习算法：它用状态s下采取行动的下一个状态，对假定的行动所对应的最大值Q更新当前的值Q。强化学习Q算法具有不断试错、优化调整的特点。