Q-learning je algoritmus posilovaného učení, který pomáhá agentovi najít optimální strategii jednání v daném prostředí. Pracuje s tzv. Q-hodnotami, které reprezentují očekávanou odměnu za provedení určité akce ve specifickém stavu. Q-learning je bezmodelový (model-free), což znamená, že nevyžaduje znalost pravidel prostředí – učí se čistě ze zkušeností. Používá se v robotice, hrách i optimalizaci procesů.

Posilované učení je typ strojového učení, kde se agent učí rozhodovat na základě odměn a trestů v prostředí. Cílem je maximalizovat zisk v dlouhodobém horizontu. Používá se např. v robotice, hrách (např. AlphaGo), autonomních systémech nebo optimalizaci procesů. Agent se učí zkušeností podobně jako člověk – metodou pokus–omyl.

Python je nejrozšířenější programovací jazyk ve světě umělé inteligence. Nabízí jednoduchou syntaxi, bohatou knihovnu nástrojů (např. TensorFlow, PyTorch, scikit-learn) a aktivní komunitu. Díky své univerzálnosti a čitelnosti se stal standardem pro vývoj AI modelů, analýzu dat a vědecké výpočty.