Cette méthode s’inspire du comportement animal et humain : un agent apprend en testant différentes actions et en ajustant ses comportements selon le retour qu’il obtient. Elle est utilisée dans des domaines complexes comme les jeux (échecs, Go), la robotique, ou les systèmes de recommandation. L’environnement est souvent modélisé comme un processus de décision de Markov (MDP), avec des états, des actions, des récompenses et une fonction de valeur. L’apprentissage par renforcement est particulièrement adapté aux contextes où les données ne sont pas disponibles d’emblée, mais générées par l’interaction. Il nécessite une grande puissance de calcul, des simulations nombreuses, et des mécanismes de régulation pour éviter les dérives ou les comportements contre-productifs.