یادگیری تقویتی روشی از یادگیری ماشین است که در آن عامل با تعامل با محیط، انتخاب اقدام و دریافت پاداش یا جریمه، سیاستی برای تصمیم‌گیری می‌آموزد.
هدف معمولاً بیشینه کردن پاداش تجمعی در طول زمان است. طراحی تابع پاداش اهمیت زیادی دارد، پاداش نامناسب ممکن است رفتارهایی ایجاد کند که از نظر عددی موفق اما با هدف واقعی ناسازگار باشند.
یک مثال برای روشن‌تر شدن موضوع
یک عامل در محیط بازی می‌تواند با دریافت پاداش برای رسیدن به هدف، سیاست مناسب را بیاموزد. طراحی پاداش اشتباه ممکن است عامل را به سوءاستفاده از معیار امتیاز سوق دهد.
پیش از اعتماد به نتیجه، داده آزمون مستقل و معیار متناسب با مسئله تعریف کنید. خروجی ظاهراً قانع‌کننده همیشه به معنی عملکرد قابل‌اعتماد نیست.