深層強化学習 (Deep Reinforcement Learning, DRL)
深層強化学習（Deep Reinforcement Learning, DRL）とは、「深層学習」と「強化学習」を組み合わせた技術です。
深層学習はこちらを閲覧ください。
強化学習の基本概念
強化学習とは、エージェント（学習する主体）が環境の中で試行錯誤を繰り返し、報酬を最大化するような最適な行動方策を学習する手法です。エージェントは、ある「状態」において何らかの「行動」をとり、その結果として環境から「報酬」と次の「状態」を得ます。この報酬を手がかりに、より多くの報酬を得られるような行動を学んでいきます。最短経路を求めるような問題などで使われることが多いです。
深層強化学習の特徴と利点
深層強化学習は、この強化学習の枠組みに深層学習を導入したものです。深層強化学習では、状態や行動の価値を表す関数（価値関数）や、状態に応じた最適な行動を選択する方策関数の近似に深層ニューラルネットワークを用います。深層学習の高い表現力により、画像のような高次元で複雑な状態空間や、連続的な行動空間を直接扱えるようになり、より複雑な環境やタスクでの学習が可能になりました。
深層強化学習の主な応用分野
ゲームAIやロボット制御、自動運転など、複数の選択肢がある複雑な環境の中で自律的に最適な行動を学習することを可能にする強力なフレームワークです。