Q-learning aprende, para cada combinación de situación y acción posible, un valor estimado (el “valor Q”) que representa qué tan buena es esa acción a largo plazo, actualizando esas estimaciones a medida que el agente interactúa con el entorno y observa los resultados de sus acciones.
Su característica distintiva
No necesita conocer de antemano cómo funciona el entorno: aprende exclusivamente de la experiencia acumulada de interactuar con él, probando acciones y observando sus consecuencias, lo que lo hizo aplicable a una enorme variedad de problemas sin necesitar un modelo matemático previo del entorno.