▣ 1장: 메타러닝 개요 1.1 머신러닝과 딥러닝 1.2 메타러닝이란? 1.3 메타러닝 학습 환경 구축 ___1.3.1 아나콘다 설치와 사용 ___1.3.2 아나콘다 설치 ___1.3.3 깃허브 저장소 클론 및 환경 구축 ▣ 2장: 메타 지도학습 2.1 메타러닝 문제 정의 ___2.1.1 태스크 정의 ___2.1.2 메타러닝 데이터셋 ___2.1.3 메타러닝 ___2.1.4 실습: Torchmeta 라이브러리 소개 2.2 모델 기반 메타러닝 ___2.2.1 모델 기반 메타러닝의 핵심 개념 ___2.2.2 NTM(Neural Turing Machines) ___2.2.3 MANN(Memory-Augmented Neural Networks) ___2.2.4 실습: MANN 구현 ___2.2.5 SNAIL(Simple Neural Attentive Meta-Learner) ___2.2.6 실습: SNAIL 구현 2.3 최적화 기반 메타러닝 ___2.3.1 전이학습과 최적화 기반 메타러닝 ___2.3.2 MAML과 FOMAML ___2.3.3 실습: MAML-Regression ___2.3.4 실습: MAML-Classification 2.4 메트릭 기반 메타러닝 ___2.4.1 KNN과 메트릭 기반 메타러닝 ___2.4.2 Matching 네트워크 ___2.4.3 실습: Matching 네트워크 구현 ___2.4.4 Prototypical 네트워크 ___2.4.5 실습: Prototypical 네트워크 구현 2.5 메타러닝 알고리즘 속성과 장단점 ___2.5.1 메타러닝 알고리즘의 세 가지 속성 ___2.5.2 메타러닝 알고리즘 비교 ▣ 3장: 강화학습 개요 3.1 마르코프 결정 과정, 정책, 가치함수 ___3.1.1 마르코프 결정 과정 ___3.1.2 정책과 강화학습의 목표 ___3.1.3 가치 함수 3.2 탐험과 활용 3.3 강화학습 알고리즘의 종류 ___3.3.1 On-policy와 Off-policy ___3.3.2 정책 기반 알고리즘 ___3.3.3 가치 기반 알고리즘 ___3.3.4 액터 크리틱 알고리즘 3.4 TRPO(Trust Region Policy Optimization) ___3.4.1 TRPO 아이디어 ___3.4.2 Surrogate 목적 함수와 제약 조건 ___3.4.3 켤레 그라디언트법 기반 최적화 3.5 PPO(Proximal Policy Optimzation) ___3.5.1 PPO 아이디어 ___3.5.2 Clipped Surrogate 목적함수 ___3.5.3 PPO 알고리즘 3.6 SAC(Soft Actor Critic) ___3.6.1 엔트로피 ___3.6.2 최대 엔트로피 강화학습 ___3.6.3 가치함수 및 정책 학습 ___3.6.4 SAC 알고리즘 ▣ 4장: 메타 강화학습 4.1 메타 강화학습 ___4.1.1 태스크 개념 소개 ___4.1.2 메타 강화학습 문제 정의 ___4.1.3 MuJoCo 및 Half-Cheetah 환경 개념 소개 4.2 순환 정책 메타 강화학습 ___4.2.1 GRU ___4.2.2 순환 정책 메타 강화학습 ___4.2.3 RL2 ___4.2.4 실습: RL2 구현 4.3 최적화 기반 메타 강화학습 ___4.3.1 MAML-RL ___4.3.2 실습: MAML-RL 구현 4.4 컨텍스트 기반 메타 강화학습 ___4.4.1 태스크 추론 관점에서의 메타 강화학습 ___4.4.2 컨텍스트 기반 정책 ___4.4.3 변분적 추론 ___4.4.4 PEARL(Probabilistic Embeddings for Actor critic RL) ___4.4.5 실습: PEARL 구현 ▣ 5장: 오픈 챌린지와 메타러닝 애플리케이션 5.1 오픈 챌린지(Open Chanllenges) ___5.1.1 메타 과적합 ___5.1.2 치명적 망각과 지속 학습 ___5.1.3 부족한 벤치마크 ___5.1.4 부족한 레이블된 데이터와 메타 비지도 학습 5.2 메타러닝 애플리케이션 ___5.2.1 컴퓨터 비전 ___5.2.2 강화학습 ___5.2.3 자연어 처리 ___5.2.4 의료 ___5.2.5 마치며