強化学習は、エージェントと呼ばれる主体が、現在の状態を観測し、選択可能な行動の中から一つを実行することで、環境から得られる将来の「累積報酬」を最大化するような意思決定の戦略（方策）を自律的に学習する手法です。教師データのように一歩一歩の「正解の行動」が直接与えられるわけではなく、一連の行動の結果として最終的に得られる「報酬（スコア）」のフィードバックのみを頼りに学習を進めます。エージェントは、すでに効果的だとわかっている行動を繰り返す「利用（Exploitation）」と、まだ試したことのない新しい行動に挑戦する「探索（Exploration）」のトレードオフを制御しながら、試行錯誤を通じて最適な行動パターン（Q学習やDQNなど）を獲得します。ロボットの歩行制御、自動運転の経路探索、ゲームでの対戦戦略などに広く応用されています。
試験では、強化学習の基本的な構成要素である「エージェント（行動の主体）」「環境（行動の対象）」「状態（現在の状況）」「行動（選択するアクション）」「報酬（結果に対する評価）」といった用語の役割と関係性を問う問題が出題されます。また、他の学習手法（教師あり・教師なし）との違いとして、「正しい答えではなく、得られる報酬の合計が最大になるような手順を自発的に学習する」という特徴を捉えておくことが重要です。ゲームや自動運転など、具体的な応用シナリオと絡めて出題されることが多いです。
エージェント（強化学習で行動を決定する主体）、報酬（行動の結果に対して与えられる評価値）、Q学習（強化学習の代表的なアルゴリズムの一つ）。