通常认为强化学习是最接近人类学习过程的，很多情况下我们无法直接表达什么是正确的什么是错误的（比如：我正在爬山，迈了一大步，又迈了一小步，那么没法儿说我迈了大步正确还是错误），但是可以通过惩罚不好的结果或者奖励好的结果来强化学习的效果（我迈了个大步，导致没有站稳，那么对迈大步做惩罚，然后接下来我会迈小一点）。所以强化学习是一个序列的决策过程，学习机的学习目标是通过在给定状态下选择某种动作，寻找合适动作的策略序列使得它可以获得某种最优结果的过程。

强化学习的几个要素，体现其序列、交互性：

• 环境(environment)：强化学习所处的上下文；
• 学习器(agent)：与环境的交互并学习的对象，具有主动性；
• 动作(action)：处于环境下的可行动作集合；
• 反馈(feedback)：对动作的回报或惩罚；
• 策略(policy)：学习到的策略链。

经典的训练狗的实验就是一种强化学习的过程：