強化学習とは
強化学習（Reinforcement Learning）とは、コンピュータ（エージェント）が特定の環境のなかで「どのような行動をとるべきか」を試行錯誤を通じて自ら学習する手法です。コンピュータが良い結果を出したときには「報酬（プラスの点数）」を、悪い結果のときには「ペナルティ（マイナスの点数）」を与えることで、得られる報酬の合計が最大になるような最適な行動パターンを自発的に学習していきます。正解を与えるのではなく、行動の良し悪しをスコアで評価するのが特徴です。
具体例
将棋やチェス、囲碁などのゲームAIが、自分自身と何百万回も対局を繰り返しながら、勝つ確率が最も高くなる（報酬が最大になる）「次の一手」を自ら学習していく仕組みがこれにあたります。
# 強化学習のサイクルイメージ
while not game_over:
action = agent.decide_action(state)
reward = environment.step(action)
agent.learn_from_reward(reward) # 報酬を元に行動を改善もう少し詳しく
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。
試験でのポイント
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。
関連する用語
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）。