通俗解释
用贝尔曼方程反复更新 Q 值：当前回报 + 折扣后的下一状态最好 Q 值。不需要环境模型，可离策略学习，是价值型强化学习的基础。
用在哪里：游戏 AI、推荐、控制
01原始论文
Q-learning
Watkins et al. · Machine Learning · 1992
DOI ↗ ✓ 已核实 · Crossref API doi:10.1007/BF00992698
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
q-learning)