深層強化学習（Deep Reinforcement Learning）は、深層ニューラルネットワークと強化学習を組み合わせた学習手法です。深層強化学習は、エージェントが環境と相互作用しながら最適な行動方策を学習するために使用されます。

強化学習は、エージェントが環境とのやり取りを通じて報酬を最大化するための最適な行動を学習する手法です。これに対して、深層強化学習は、深層ニューラルネットワークを使って状態や行動の価値を近似し、高次元の状態空間や行動空間での学習を可能にします。

深層強化学習の基本的なアルゴリズムは、強化学習の枠組みであるマルコフ決定過程（Markov Decision Process, MDP）に基づいています。エージェントは、環境の状態を観測し、それに基づいて行動を選択します。環境はエージェントの行動に対して報酬を返し、エージェントは報酬を最大化するために行動方策を学習します。

深層強化学習では、深層ニューラルネットワークを使って、状態や行動の関数近似を行います。ニューラルネットワークは大量のデータと複雑な非線形関係を学習する能力を持っており、高い表現力を持つため、複雑な問題においても優れた性能を発揮することができます。

深層強化学習は、画像認識、ゲームプレイ、ロボット制御などの領域で応用されており、AlphaGoやAlphaZeroなどの有名な成果を生み出しています。また、深層強化学習の代表的な手法には、深層Qネットワーク（Deep Q-Network, DQN）、アドバンテージアクターコンプリティクリティック（Advantage Actor-Critic, A2C）、プロキシ最適化アルゴリズム（Proximal Policy Optimization, PPO）、深層決定論方策勾配法（Deep Deterministic Policy Gradient, DDPG）などがあります