と金倶楽部

強化学習はＡＩの学習方法の一つで簡単に書くなら「学習中に起きたイベント（良い事・悪いこと）を未来の行動に反映させる」...ということです。

これは子供が将棋を覚えるプロセスとほぼ同じですね。すなわち...

①まず何でも目に付く手を指してみる

②そして...

結果が良ければ　⇒　（以前より高い確率で）後の対局にも試してみる
結果が悪ければ　⇒　その手は指さない...少なくとも後の対局に使用する確率は低くなる

③最初に戻る

...と、こんな感じでしょうか。そして以上の手順を繰り返すことにより「将棋を学習」することができます。

我の読んだ論文の学習方法は...

評価関数を初期状態でスタートし、

①評価関数により手を選択して対局

②そして...

勝ったら　⇒　以前より対局中に選択した手の評価を少し上げる
負けたら　⇒　以前より対局中に選択した手の評価を少し下げる

③最初に戻って繰り返し

...と、これを何千・何万回繰り返すと良さげな手には徐々に評価が上がり、そうでない手の評価は落ちてゆきます。「選択した手の評価を少し上げる・下げる」はパラメターの値を変動して行います。

この学習方法の利点は

「マシンが自分で学習してくれるので（一度構築してしまえば）人間の手間はいりません」

に尽きますね。但し、

「学習には時間がべラボーに掛かり、いくら時間を掛けても評価関数の質が向上しない」可能性があります。