深度強化學習

深度強化學習結合深度學習和強化學習，用神經網路處理高維度狀態空間。

白話說明
傳統強化學習用表格記錄「每個狀態做什麼動作最好」，但狀態太多時表格裝不下（圍棋、影像輸入）。深度強化學習用神經網路取代表格，直接從像素或複雜狀態中學會最佳策略。

兩大路線

• Value-based（DQN）：學「每個動作值多少分」，選分最高的
• Policy-based（PPO）：直接學「該怎麼做」的策略函數

使用場景
Atari 遊戲、機器人控制、自動駕駛、ChatGPT 的 RLHF、推薦系統。

優點
能處理超複雜的決策問題、不需要標註資料。

缺點
訓練不穩定、需要大量互動經驗、獎勵設計困難。