국내도서

>

전공도서/대학교재

>

자연과학계열

>

수학

• 
• 제휴몰 주문 시 고객보상, 일부 이벤트 참여 및 증정품 증정, 하루/당일 배송에서 제외되므로 참고 바랍니다.

• 
• 도서  > 전공도서/대학교재  > 자연과학계열  > 수학

• 
• 
• 『기계학습을 위한 선형대수 및 최적화』는 〈선형대수와 최적화: 서론〉, 〈선형 변환과 선형 연립방정식〉, 〈고유벡터와 대각화 가능 행렬〉, 〈최적화 기초: 기계학습 관점〉, 〈고급 최적화 해법〉, 〈제약조건이 있는 최적화 문제와 쌍대성〉 등을 수록하고 있는 책이다.
• 
• Chapter 1 선형대수와 최적화: 서론 1.1 서론 1 1.2 스칼라, 벡터, 행렬 2 1.2.1 스칼라와 벡터에 대한 기본 연산 3 1.2.2 벡터와 행렬에 대한 기본 연산 9 1.2.3 특수 행렬 15 1.2.4 행렬 누승, 행렬 다항식, 역행렬 17 1.2.5 행렬 역변환 보조정리: 행렬 합에 대한 역변환 21 1.2.6 프로베니우스 노옴, 대각 합, 에너지 24 1.3 분해가능 연산자로서의 행렬 곱셈 26 1.3.1 분해가능 행 연산자 및 열 연산자로서의 행렬 곱셈 27 1.3.2 분해가능 기하 연산자로서의 행렬 곱셈 32 1.4 기계학습의 기본 문제들 34 1.4.1 행렬 인수분해 34 1.4.2 군집화 36 1.4.3 분류와 회귀 모델링 36 1.4.4 이상치 탐지 38 1.5 기계학습을 위한 최적화 39 1.5.1 함수 간소화를 위한 테일러 전개식 39 1.5.2 기계학습 최적화 사례 41 1.5.3 계산 그래프상의 최적화 43 1.6 요약 44 1.7 추가 자료 45 1.8 연습문제 45 Chapter 2 선형 변환과 선형 연립방정식 2.1 서론 53 2.1.1 선형 변환이란? 54 2.2 행렬 곱셈의 기하학 55 2.3 벡터 공간과 기하학적 의미 65 2.3.1 기저 시스템의 좌표 71 2.3.2 기저 집합 간의 좌표 변환 74 2.3.3 벡터 집합의 생성공간 75 2....3.4 기계학습 예제: 이산 웨이블릿 변환 77 2.3.5 벡터 공간의 부분공간들 사이의 관계 78 2.4 행렬 행과 열에 관한 선형대수 80 2.5 행렬의 행 사다리꼴 형식 83 2.5.1 LU 분해 85 2.5.2 응용: 기저 집합 찾기 86 2.5.3 응용: 행렬 역변환 86 2.5.4 응용: 선형 연립방정식 풀이 87 2.6 행렬 순위 개념 90 2.6.1 행렬 연산이 순위에 미치는 영향 91 2.7 직교 기저 집합의 생성 94 2.7.1 그람-슈미트 직교화와 QR 분해 94 2.7.2 QR 분해 96 2.7.3 이산 코사인 변환 99 2.8 최적화 관점의 선형 연립방정식 102 2.8.1 무어-펜로즈 의사 역행렬 104 2.8.2 투영 행렬 106 2.9 불량 조건 행렬과 불량 조건 연립방정식 109 2.10 내적: 기하학적 관점 111 2.11 복소수 벡터 공간 112 2.11.1 이산 푸리에 변환 115 2.12 요약 117 2.13 추가 자료 117 2.14 연습문제 117 Chapter 3 고유벡터와 대각화 가능 행렬 3.1 서론 125 3.2 행렬식 126 3.3 대각화 가능 변환과 고유벡터 132 3.3.1 복소수 고윳값 138 3.3.2 좌 고유벡터와 우 고유벡터 139 3.3.3 대각화의 존재 및 고유성 140 3.3.4 삼각화의 존재 및 고유성 143 3.3.5 고윳값을 공유하는 유사 행렬 집단 145 3.3.6 고유벡터를 공유하는 대각화 가능 행렬 집단 148 3.3.7 대칭행렬 148 3.3.8 양의 준정부호 행렬 151 3.3.9 촐레스키 인수분해: 대칭 LU 분해 153 3.4 기계학습과 최적화 응용 155 3.4.1 기계학습에서 빠른 행렬 연산 156 3.4.2 기계학습에서 대각화 가능 행렬의 예 156 3.4.3 2차 최적화의 대칭행렬 160 3.4.4 대각화 응용: 최적화를 위한 변수 분리 165 3.4.5 노옴 제약 2차계획법의 고유벡터 167 3.5 고유벡터를 찾기 위한 수치 알고리즘 169 3.5.1 슈어 분해를 통한 QR 방법 170 3.5.2 우세 고유벡터를 찾기 위한 누승법 170 3.6 요약 173 3.7 추가 자료 174 3.8 연습문제 174 Chapter 4 최적화 기초: 기계학습 관점 4.1 서론 181 4.2 최적화의 기초 182 4.2.1 단일 변량 최적화 182 4.2.2 이 변량 최적화 190 4.2.3 다변량 최적화 193 4.3 볼록 목적함수 197 4.4 경사하강법의 세부사항 202 4.4.1 유한 차분으로 경사도 정확성 확인 202 4.4.2 학습률 감소와 과감한 운전자 알고리즘 203 4.4.3 직선탐색법 204 4.4.4 초기화 207 4.5 기계학습의 최적화 속성 208 4.5.1 일반적인 목적함수와 덧셈 형식 분리 가능성 208 4.5.2 확률적 경사하강법 209 4.5.3 기계학습의 최적화는 어떻게 다른가 210 4.5.4 초 매개변수 조정 213 4.5.5 특징 전처리의 중요성 214 4.6 벡터에 대한 미분 계산 216 4.6.1 행렬 미적분 표기법 216 4.6.2 유용한 행렬 미적분 항등식 217 4.6.3 벡터화된 미분에 대한 연쇄법칙 221 4.7 선형 회귀: 수치 목표를 사용한 최적화 224 4.7.1 티호노프 정칙화 225 4.7.2 확률적 경사하강법 227 4.7.3 편향의 사용 227 4.8 이진 목표변수를 위한 최적화 모델 229 4.8.1 최소제곱 분류: 이진 목표에 대한 회귀 229 4.8.2 서포트 벡터 머신(SVM) 233 4.8.3 로지스틱 회귀 236 4.8.4 선형 회귀는 어떻게 기계학습에서 부모 문제로 작용하는가? 239 4.9 다중 클래스 설정을 위한 최적화 모델 241 4.9.1 웨스턴-왓킨스 서포트 벡터 머신 241 4.9.2 다항 로지스틱 회귀 243 4.10 좌표하강법 246 4.10.1 좌표하강법을 사용한 선형 회귀 248 4.10.2 블록 좌표하강법 250 4.10.3 블록 좌표하강법으로서의 K-평균 알고리즘 250 4.11 요약 251 4.12 추가 자료 252 4.13 연습문제 252 Chapter 5 고급 최적화 해법 5.1 서론 259 5.2 경사도 기반 최적화의 과제 261 5.2.1 국소 최적점과 평탄 영역 261 5.2.2 미분 곡률 263 5.2.3 어려운 토폴로지의 예: 절벽과 계곡 265 5.3 하강을 위한 1차 미분 조정 267 5.3.1 모멘텀 기반 학습 267 5.3.2 AdaGrad 270 5.3.3 RMSProp 271 5.3.4 Adam 271 5.4 뉴턴법 273 5.4.1 뉴턴법의 기본 형식 273 5.4.2 비 2차함수에 대한 직선탐색법의 중요성 276 5.4.3 예제: 사발 모양의 2차함수에서의 뉴턴법 277 5.4.4 예제: 비 2차함수에서의 뉴턴법 277 5.5 기계학습에서의 뉴턴법 278 5.5.1 선형 회귀를 위한 뉴턴법 278 5.5.2 서포트 벡터 머신을 위한 뉴턴법 280 5.5.3 로지스틱 회귀를 위한 뉴턴법 284 5.5.4 모델들 사이의 연관성과 통합 프레임워크 287 5.6 뉴턴법: 도전과 해결책 288 5.6.1 특이행렬이거나 부정부호인 헤시안 행렬 288 5.6.2 안장점 문제 289 5.6.3 비 2차함수에서의 수렴 문제 및 해법 291 5.7 뉴턴법의 계산 효율을 개선하는 변형 293 5.7.1 켤레 경사하강법 294 5.7.2 준 뉴턴법과 BFGS 298 5.8 미분 불가능 최적화 함수 300 5.8.1 서브그래디언트 방법 301 5.8.2 근위 경사하강법 307 5.8.3 조합 최적화를 위한 대리 손실함수 설계 309 5.8.4 순차적 결정을 최적화하기 위한 동적 프로그래밍 311 5.9 요약 314 5.10 추가 자료 314 5.11 연습문제 315 Chapter 6 제약조건이 있는 최적화 문제와 쌍대성 6.1 서론 319 6.2 원본 경사하강법 320 6.2.1 선형 등식 제약조건 321 6.2.2 선형 부등 제약조건 328 6.2.3 순차 2차계획법 333 6.3 원본 좌표하강법 334 6.3.1 볼록 집합에 대한 볼록 최적화를 위한 좌표하강법 335 6.3.2 기계학습 응용: 경계상자 회귀 336 6.4 라그랑주 완화와 쌍대 338 6.4.1 쿤-터커 최적성 조건 343 6.4.2 쌍대성 이용을 위한 일반 절차 344 6.4.3 응용: SVM 쌍대 문제를 위한 수식 구성 345 6.4.4 SVM 쌍대를 위한 최적화 알고리즘 348 6.4.5 무제약 문제를 위한 라그랑주 완화 352 6.5 페널티 기반 방법 및 원본-쌍대 방법 358 6.5.1 단일 제약조건이 있는 페널티 방법 358 6.5.2 페널티 방법: 일반 구성 359 6.5.3 장벽법과 내부점법 360 6.6 노옴 제약조건 최적화 363 6.7 원본 방법 대 쌍대 방법 365 6.8 요약 367 6.9 추가 자료 367 6.10 연습문제 367 Chapter 7 특이값 분해 7.1 서론 373 7.2 SVD: 선형대수 관점 374 7.2.1 정방행렬의 특이값 분해 374 7.2.2 패딩을 통한 정방형 SVD에서 비정방형 SVD로 확장 379 7.2.3 비정방형 특이값 분해의 여러 정의 381 7.2.4 절삭 특이값 분해 383 7.2.5 SVD에 대한 두 가지 해석 391 7.2.6 특이값 분해는 고유한가? 393 7.2.7 2원 분해와 3원 분해 394 7.3 SVD: 최적화 관점 396 7.3.1 기저 직교성 가정 하의 최대화 수식 구성 396 7.3.2 잔차를 사용한 최소화 수식 구성 398 7.3.3 행렬 인수분해 방법에 대한 일반화 399 7.3.4 주성분 분석 399 7.4 특이값 분해의 응용 403 7.4.1 차원 축소 403 7.4.2 노이즈 제거 404 7.4.3 네 가지 선형대수 기본 부분공간 찾기 404 7.4.4 무어-펜로즈 의사 역행렬 405 7.4.5 선형 방정식과 선형 회귀 풀기 407 7.4.6 기계학습에서 특징 전처리와 백색화 408 7.4.7 이상치 탐지 409 7.4.8 특징 공학 410 7.5 SVD를 위한 수치 알고리즘 411 7.6 요약 414 7.7 추가 자료 414 7.8 연습문제 414 Chapter 8 행렬 인수분해 8.1 서론 421 8.2 최적화 기반 행렬 인수분해 423 8.2.1 예제: 제약조건 있는 행렬 인수분해로서의 K-평균 424 8.3 무제약 행렬 인수분해 425 8.3.1 완성된 행렬을 사용한 경사하강법 426 8.3.2 추천 시스템 응용 430 8.4 비 음수 행렬 인수분해 434 8.4.1 프로베니우스 노옴의 최적화 문제 435 8.4.2 쌍대를 사용하는 해법 436 8.4.3 비 음수 행렬 인수분해의 해석력 438 8.4.4 비 음수 행렬 인수분해의 예 438 8.4.5 I-Divergence 목적함수 441 8.5 가중 행렬 인수분해 442 8.5.1 비 음수 행렬과 희소 행렬의 실제 용례 443 8.5.2 확률적 경사하강법 445 8.5.3 응용: 암시적 피드백 데이터가 있는 추천 시스템 446 8.5.4 응용: 인접 행렬에서 링크 예측 446 8.5.5 응용: GloVe를 이용한 단어-단어 문맥 임베딩 447 8.6 비선형 행렬 인수분해 448 8.6.1 로지스틱 행렬 인수분해 448 8.6.2 최대 여백 행렬 인수분해 451 8.7 일반화된 저 순위 모델 453 8.7.1 범주형 항의 처리 454 8.7.2 서수 항의 처리 455 8.8 공유 행렬 인수분해 457 8.8.1 공유 분해를 위한 경사하강법 단계 458 8.8.2 임의 시나리오에서 공유 모델을 설정하는 방법 459 8.9 인수분해 기계 460 8.10 요약 464 8.11 추가 자료 465 8.12 연습문제 465 Chapter 9 유사성 관련 선형대수 9.1 서론 471 9.2 데이터 행렬과 유사성 행렬의 동등성 471 9.2.1 데이터 행렬에서 유사성 행렬로의 변환과 역방향 변환 472 9.2.2 유사성 행렬에서 데이터 행렬을 복구하는 것은 어떤 경우에 유용할까? 473 9.2.3 어떤 유형의 유사성 행렬이 유효한가? 474 9.2.4 최적화 모델로서의 대칭행렬 인수분해 475 9.2.5 커널법: 기계학습 용어 476 9.3 유사성 행렬에서 효율적인 데이터 복구 478 9.3.1 나이스트롬 표본추출 479 9.3.2 확률적 경사하강법을 사용한 행렬 인수분해 480 9.3.3 비대칭 유사성 분해 482 9.4 유사성 행렬에 대한 선형대수 연산 484 9.4.1 유사성 행렬의 에너지와 단위구 정규화 484 9.4.2 평균과 분산의 노옴 485 9.4.3 유사성 행렬의 중심화 486 9.4.4 유사성 행렬에서 거리 행렬로의 변환과 역방향 변환 487 9.5 유사성 행렬을 사용하는 기계학습 490 9.5.1 유사성 행렬에서 특징 공학 491 9.5.2 유사성 행렬의 직접적 사용 494 9.6 표현 정리의 선형대수 497 9.7 유사성 행렬과 선형 분리 가능성 501 9.7.1 양의 준정부호성을 유지하는 변환 504 9.8 요약 507 9.9 추가 자료 507 9.10 연습문제 507 Chapter 10 그래프 선형대수 10.1 서론 513 10.2 그래프 기초와 인접 행렬 513 10.3 인접 행렬의 누승 519 10.4 페론-프로베니우스 정리 523 10.5 그래프 행렬의 우 고유벡터 527 10.5.1 커널 관점의 스펙트럼 군집화 528 10.5.2 라플라시안 관점의 스펙트럼 군집화 531 10.5.3 행렬 인수분해 관점의 스펙트럼 군집화 536 10.5.4 어떤 관점의 스펙트럼 군집화가 가장 도움이 될까? 538 10.6 그래프 행렬의 좌 고유벡터 539 10.6.1 전이 행렬의 좌 고유벡터로서의 PageRank 540 10.6.2 명성 및 중심성의 척도 541 10.6.3 좌 고유벡터의 링크 예측 응용 543 10.7 축약 가능한 행렬의 고유벡터 544 10.7.1 무방향 그래프 544 10.7.2 방향 그래프 545 10.8 기계학습 응용 549 10.8.1 정점 분류 응용 549 10.8.2 다차원 데이터에 대한 응용 552 10.9 요약 553 10.10 추가 자료 554 10.11 연습문제 554 Chapter 11 계산 그래프상의 최적화 11.1 서론 559 11.2 계산 그래프의 기초 560 11.2.1 방향성 계산 그래프로서의 신경망 563 11.3 방향성 비순환 그래프의 최적화 566 11.3.1 계산 그래프의 어려움 566 11.3.2 경사도 계산을 위한 프레임워크 568 11.3.3 무모한 방식의 노드 간 미분의 계산 569 11.3.4 노드 간 미분 계산을 위한 동적 프로그래밍 573 11.3.5 노드 간 미분을 손실-가중치 미분으로 변환 579 11.3.6 벡터 변수를 사용하는 계산 그래프 581 11.4 응용: 신경망에서의 역전파 584 11.4.1 널리 사용되는 활성화 함수의 미분 586 11.4.2 벡터 중심 역전파 587 11.4.3 벡터 중심 역전파의 예 590 11.5 일반적 관점의 계산 그래프 593 11.6 요약 596 11.7 추가 자료 596 11.8 연습문제 596 참고문헌 603 찾아보기 611
• 

• 차루 아가르왈 [저]

• 뉴욕 요크타운 하이츠의 IBM T. J. 왓슨 리서치 센터의 뛰어난 연구 회원(DRSM)이다. 1993년에 IIT Kanpur에서 학사 학위를 받았고, 1996년에 MIT에서 박사 학위를 받았다. 데이터 마이닝 분야에서 폭넓게 일해왔고, 400개 이상의 논문을 콘퍼런스와 학술지에 발표했으며 80개 이상의 특허권이 있다. 데이터 마이닝에 관한 교과서, 특이치 분석에 관한 포괄적인 책을 포함한 15권의 책을 저술하거나 편집했다. 특허의 상업적 가치 덕분에 IBM에서 마스터 발명가로 세 번이나 지정됐다. 데이터 스트림의 생물 테러리스트 위협 탐지에 대한 연구로 IBM 기업상(2003)을 수상했고, 프라이버시 기술에 대한 과학적인 공헌으로 IBM 우수 혁신상(2008)을 수상했다. 데이터 스트림 및 고차원적인 작업에 대한 각각의 작업을 인정받아 두 개의 IBM 우수 기술 성과상(2009, 2015)을 수상했다. 응축 기반 프라이버시 보존 데이터 마이닝에 대한 연구로 EDBT 2014 Test of Time Award를 수상했다. 또한 데이터 마이닝 분야에서 영향력 있는 연구 공헌에 대한 두 가지 최고상 중 하나인 IEEE ICDM 연구 공헌상(2015)을 수상했다. IEEE 빅데이터 콘퍼런스(2014)의 총괄 공동 의장직과, ACM CIKM 콘퍼런스(2015), IEEE ICDM 콘퍼런스(2015), ACM KDD 콘퍼런스(2016) 프로그램 공동 의장직을 역임했다. 2004년부터 2008년까지 「IEEE Transactions on Knowledge and Data Engineering」의 부편집장으로 근무했다. 「ACM Transactions on Knowledge Discovery from Data」의 부편집장, 「IEEE Transactions on Big Data」의 부편집장, 「Data Mining and Knowledge Discovery Journal」과 「ACM SIGKDD Exploration」의 편집장, 「Knowledge and Information Systems Journal」의 부편집장이다. Springer의 간행물인 「Lecture Notes on Social Networks」 자문 위원회에서 활동하고 있으며 데이터 마이닝에 관한 SIAM 활동 그룹의 부사장을 역임했다. “contributions to knowledge discovery and data mining algorithms”에 관한 SIAM, ACM, IEEE의 펠로우다.

• 이광수 [저]

• 전체 0개의 구매후기가 있습니다.
• 

인터파크도서는 고객님의 단순 변심에 의한 교환과 반품에 드는 비용은 고객님이 지불케 됩니다. 단, 상품이나 서비스 자체의 하자로 인한 교환 및 반품은 무료로 반품 됩니다. 교환 및 반품이 가능한 경우 상품을 공급 받은 날로부터 7일이내 가능 공급받으신 상품의 내용이 표시, 광고 내용과 다르거나 다르게 이행된 경우에는 공급받은 날로부터 3개월 이내,    혹은 그사실을 알게 된 날 또는 알 수 있었던 날로부터 30일 이내 상품에 아무런 하자가 없는 경우 소비자의 고객변심에 의한 교환은 상품의 포장상태 등이 전혀 손상되지 않은 경우에 한하여 가능 교환 및 반품이 불가능한 경우 구매확정 이후(오픈마켓상품에 한함) 고객님의 책임 있는 사유로 상품 등이 멸실 또는 훼손된 경우    (단, 상품의 내용을 확인하기 위하여 포장 등을 훼손한 경우는 제외) 시간이 지남에 따라 재판매가 곤란할 정도로 물품의 가치가 떨어진 경우 포장 개봉되어 상품 가치가 훼손된 경우 다배송지의 경우 반품 환불 다배송지의 경우 다른 지역의 반품을 동시에 진행할 수 없습니다. 1개 지역의 반품이 완료된 후 다른 지역 반품을 진행할 수 있으므로, 이점 양해해 주시기 바랍니다. 중고상품의 교환 중고상품은 제한된 재고 내에서 판매가 이루어지므로, 교환은 불가능합니다. 오픈마켓 상품의 환불 오픈마켓상품에 대한 책임은 원칙적으로 업체에게 있으므로, 교환/반품 접수시 반드시 판매자와 협의 후 반품 접수를 하셔야하며,    반품접수 없이 반송하거나, 우편으로 보낼 경우 상품 확인이 어려워 환불이 불가능할 수 있으니 유의하시기 바랍니다.

배송예정일 안내 인터파크 도서는 모든 상품에 대해 배송완료예정일을 웹사이트에 표시하고 있습니다. <인터파크 직배송 상품> 상품은 월~토요일 오전 10시 이전 주문분에 대하여 당일 출고/당일 배송완료를 보장하는 상품입니다. 상품은 서울지역/평일 주문분은 당일 출고/익일 배송완료를 보장하며, 서울외지역/평일 주문분의 경우는 오후 6시까지 주문분에 대하여 익일 배송완료를 보장하는 상품입니다. (단, 월요일은 12시까지 주문에 한함) 상품은, 입고예정일(제품출시일)+택배사배송일(1일)에 배송완료를 보장합니다. ~ 상품은 유통특성상 인터파크에서 재고를 보유하지 않은 상품으로 주문일+기준출고일+택배사배송일(1일)에 배송완료를 보장합니다.(토/공휴일은 배송기간에 포함되지 않습니다.) ※기준출고일:인터파크가 상품을 수급하여 물류창고에서 포장/출고하기까지 소요되는 시간 <업체 직접배송/오픈마켓 상품> ~ 상품은 업체가 주문을 확인하고, 출고하기까지 걸리는 시간입니다. 주문일+기준출고일+택배사배송일(2일)에 배송완료를 보장합니다.(토/공휴일은 배송기간에 포함되지 않습니다.) ※5일이내 출고가 시작되지 않을시, 오픈마켓 상품은 자동으로 주문이 취소되며, 고객님께 품절보상금을 지급해 드립니다. 배송비 안내 도서(중고도서 포함)만 구매하시면 : 배송비 2,000원 (1만원이상 구매 시 무료배송) 음반/DVD만 구매하시면 : 배송비 1,500원 (2만원이상 구매 시 무료배송) 잡지/만화/기프트만 구매하시면 : 배송비 2,000원 (2만원이상 구매 시 무료배송) 도서와 음반/DVD를 함께 구매하시면 : 배송비 1,500원 1만원이상 구매 시 무료배송) 도서와 잡지/만화/기프트/중고직배송상품을 함께 구매하시면 : 2,000원 (1만원이상 구매 시 무료배송) 업체직접배송상품을 구매시 : 업체별로 상이한 배송비 적용    * 세트상품의 경우 부분취소 시 추가 배송비가 부과될 수 있습니다.    * 북카트에서 배송비없애기 버튼을 클릭하셔서, 동일업체상품을 조금 더 구매하시면, 배송비를 절약하실 수 있습니다. 해외배송 안내 인터파크도서에서는 국내에서 주문하시거나 해외에서 주문하여 해외로 배송을 원하실 경우 DHL과 특약으로 책정된 요금표에    의해 개인이 이용하는 경우보다 배송요금을 크게 낮추며 DHL(www.dhl.co.kr)로 해외배송 서비스를 제공합니다. 해외배송은 도서/CD/DVD 상품에 한해 서비스하고 있으며, 다른 상품을 북카트에 함께 담으실 경우 해외배송이 불가합니다. 해외주문배송 서비스는 인터파크 도서 회원 가입을 하셔야만 신청 가능합니다. 알아두세요!!! 도매상 및 제작사 사정에 따라 품절/절판 등의 사유로 취소될 수 있습니다. 오픈마켓업체의 배송지연시 주문이 자동으로 취소될 수 있습니다. 출고가능 시간이 서로 다른 상품을 함께 주문할 경우 출고가능 시간이 가장 긴 기준으로 배송됩니다. 유통의 특성상 출고기간은 예정보다 앞당겨지거나 늦춰질 수 있습니다. 택배사 배송일인 서울 및 수도권은 1~2일, 지방은 2~3일, 도서, 산간, 군부대는 3일 이상의 시간이 소요됩니다.