למידת חיזוק (Reinforcement Learning) היא סוג של פרדיגמת למידת מכונה שבה סוכן לומד להתנהג בסביבה על ידי ביצוע פעולות מסוימות וקבלת תגמולים או עונשים בתמורה. הרעיון המרכזי הוא לאפשר לסוכן לקבוע באופן אוטומטי את ההתנהגות האידיאלית בהקשר מסוים כדי למקסם את הביצועים או הרווח שלו. בניגוד ללמידה מפוקחת, שבה ניתנים צמדי קלט/פלט נכונים, בלימוד חיזוק, על הסוכן לגלות את הפעולות האופטימליות באמצעות ניסוי וטעייה, לרוב ללא משוב מפורש על נכונות הפעולה.
הידע של הסוכן מיוצג בדרך כלל על ידי מדיניות, שיכולה להיות דטרמיניסטית (מיפוי מצבים לפעולות) או סטוכסטית (מתן הסתברויות לכל פעולה). תהליך הלמידה כולל חקר הסביבה והתאמת פעולות על סמך התגמולים או העונשים שהתקבלו. אלגוריתמי למידת חיזוק פופולריים כוללים Q-learning ו-Deep Q Network (DQN). היישומים של RL נעים ממשחקים, כמו אימון סוכנים לשחק ולעתים קרובות מצטיינים במשחקים מורכבים, לתרחישים בעולם האמיתי כגון מכוניות בנהיגה עצמית, בקרה רובוטית וניהול תיקים פיננסיים.
