یادگیری تقویتی ژرف شاخهای از یادگیری ماشین است که با ترکیب یادگیری تقویتی و شبکههای عصبی ژرف، امکان یادگیری سیاستهای تصمیمگیری بهینه را در محیطهای پیچیده و با ابعاد بالا فراهم میکند. در این چارچوب، یک عامل با تعامل مداوم با محیط و دریافت پاداش یا جریمه، تلاش میکند با بیشینهسازی پاداش تجمعی، بهترین عمل را در هر وضعیت انتخاب کند. استفاده از شبکههای عصبی ژرف بهعنوان تقریبزننده تابع ارزش یا سیاست، باعث میشود که سیستم بتواند الگوهای غیرخطی و پیچیده را از دادههای خام مانند تصویر، صدا یا دادههای حسگری استخراج کند. یادگیری تقویتی ژرف امروزه در حوزههایی مانند رباتیک، بازیهای رایانهای، سیستمهای توصیهگر و کنترل هوشمند کاربرد گستردهای دارد.
