|
|
|
ÆÄÀ̽㠶óÀ̺귯¸®¸¦ È°¿ëÇÑ ¸Ó½Å·¯´× : »çÀÌŶ·± ÇÙ½É °³¹ßÀÚ°¡ ¾´ ¸Ó½Å·¯´×°ú µ¥ÀÌÅÍ °úÇÐ ½Ç¹«¼
|
|
|
¾Èµå·¹¾Æ½º ¹Á·¯, ¹ÚÇؼ±
¤Ó
ÇѺû¹Ìµð¾î
¤Ó
Introduction to Machine Learning with Python
|
|
|
|
- Á¦ÈÞ¸ô ÁÖ¹® ½Ã °í°´º¸»ó, ÀϺΠÀ̺¥Æ® Âü¿© ¹× ÁõÁ¤Ç° ÁõÁ¤, ÇÏ·ç/´çÀÏ ¹è¼Û¿¡¼ Á¦¿ÜµÇ¹Ç·Î Âü°í ¹Ù¶ø´Ï´Ù.
-
-
-
»çÀÌŶ·± ÇÙ½É °³¹ßÀÚ¿¡°Ô ¹è¿ì´Â ¸Ó½Å·¯´× À̷аú ±¸Çö
Çö¾÷¿¡¼ ¸Ó½Å·¯´×À» ¿¬±¸ÇÏ°í ÀΰøÁö´É ¼ºñ½º¸¦ °³¹ßÇϱâ À§ÇØ ²À ÇÐÀ§¸¦ ¹ÞÀ» ÇÊ¿ä´Â ¾ø½À´Ï´Ù. »çÀÌŶ·±(scikit-learn)°ú °°Àº ÈǸ¢ÇÑ ¸Ó½Å·¯´× ¶óÀ̺귯¸®°¡ º¹ÀâÇÏ°í ³ÇØÇÑ ÀÛ¾÷À» Á÷°üÀûÀÎ ÀÎÅÍÆäÀ̽º·Î °¨½ÎÁÖ´Â ´öºÐÀÌÁÒ. ÀÌ Ã¥¿¡¼´Â »çÀÌŶ·±ÀÇ ÇÙ½É °³¹ßÀÚ°¡ º¹ÀâÇÑ ¼öÇÐÀ» µ¿¿øÇÏÁö ¾Ê°í ½Ç¿ëÀûÀ¸·Î ¸Ó½Å·¯´×À» ±¸ÃàÇÏ´Â ¸ðµç ´Ü°è¸¦ ¼³¸íÇÕ´Ï´Ù. ¹ÌÀûºÐ, ¼±Çü´ë¼ö, È®·ü ÀÌ·ÐÀ» °øºÎÇÏÁö ¾Ê¾Ò¾îµµ ÀÌ Ã¥À» ÅëÇØ ¸Ó½Å·¯´×À» È°¿ëÇÒ ¼ö ÀÖ°Ô µÉ °ÍÀÔ´Ï´Ù.
¡Ø º» ¹ø¿ª°³Á¤2ÆÇÀº scikit-learn ¾÷µ¥ÀÌÆ®¿¡ µû¶ó Àü¹ÝÀûÀ¸·Î ³»¿ëÀ» °»½ÅÇÑ ¿ø¼ 4¼â¸¦ ±â¹ÝÀ¸·Î ÇÕ´Ï´Ù. ¿ÀÅ»ÀÚ¸¦ ¹Ù·ÎÀâ°í, ½Ã°¢Àû ÆíÀǸ¦ À§ÇØ Ç®Ä÷¯·Î ÀμâÇß½À´Ï´Ù.
-
-
½ÇÁ¦ ¹®Á¦¿¡ ´ëÇÑ ÇعýÀ» ã´Â ¸Ó½Å·¯´× ±â¼úÀÚ¸¦ À§ÇÑ º»°Ý ¸Ó½Å·¯´× ÀÔ¹®¼
»çÀÌŶ·± 1.x ¹öÀüÀ» ¹Ý¿µÇÏ°í ±¸±Û ÄÚ·¦¿¡¼ ½Ç½À °¡´ÉÇÑ ¹ø¿ª°³Á¤2ÆÇ
ÀÌ Ã¥Àº ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀ» ¹Ø¹Ù´ÚºÎÅÍ ¸¸µå´Â ¹ýÀ» ´Ù·çÁö´Â ¡®¾ÊÀ¸¸ç¡¯, ´ë½Å »çÀÌŶ·±°ú ´Ù¸¥ ¶óÀ̺귯¸®¿¡ ÀÌ¹Ì ±¸ÇöµÈ ¹æ´ëÇÑ ¾çÀÇ ¸ðµ¨À» »ç¿ëÇÏ´Â ¹ý¿¡ ÁýÁßÇÕ´Ï´Ù. ¸Ó½Å·¯´×°ú ÀΰøÁö´É¿¡ ´ëÇÑ »çÀü Áö½ÄÀÌ ÇÊ¿ä ¾ø´Â ÀÔ¹®¼·Î, ÆÄÀ̽ã°ú »çÀÌŶ·±À» Áß½ÉÀ¸·Î ¸Ó½Å·¯´× ¾ÖÇø®ÄÉÀ̼ÇÀ» ¼º°øÀûÀ¸·Î ¸¸µå´Â ¸ðµç ´Ü°è¸¦ ¹â¾Æ°©´Ï´Ù. ¿©±â¼ ¼Ò°³ÇÏ´Â ¹æ¹ýµéÀº »ó¿ë ¾ÖÇø®ÄÉÀ̼ÇÀ» ¸¸µå´Â µ¥ÀÌÅÍ Àü¹®°¡´Â ¹°·Ð ¿¬±¸ÀÚ¿Í °úÇÐÀÚ¿¡°Ôµµ µµ¿òÀÌ µÉ °ÍÀÔ´Ï´Ù. ÆÄÀ̽ã°ú NumPy, matplotlib ¶óÀ̺귯¸®¿¡ Ä£¼÷ÇÏ´Ù¸é ÀÌ Ã¥ÀÇ ´ëºÎºÐÀ» ÀÌÇØÇÒ ¼ö ÀÖ½À´Ï´Ù.
¡Ú ¹ø¿ª°³Á¤2ÆÇÀÇ Æ¯Â¡
º» ¹ø¿ª°³Á¤ÆÇÀº ¿ø¼ 4¼â¸¦ ±â¹ÝÀ¸·Î Çϸç, ÃÊÆÇ ¹ßÇà ÀÌÈÄ ¾Ë·ÁÁø ¿ÀÅ»ÀÚ¸¦ ¸ðµÎ ¹Ù·ÎÀâ¾Ò½À´Ï´Ù. ¶ÇÇÑ scikit-learn 1.x ¹öÀü ¸±¸®½º¿¡ µû¶ó Àü¹ÝÀûÀ¸·Î ³»¿ëÀ» ¾÷µ¥ÀÌÆ®Çß½À´Ï´Ù. ³ª¾Æ°¡ ±¸±Û ÄÚ·¦¿¡¼ ½Ç½ÀÀÌ °¡´ÉÇϵµ·Ï Àü¹ÝÀûÀ¸·Î ¼öÁ¤Çß½À´Ï´Ù.
¡Ú ÁÖ¿ä ³»¿ë
¡Ü ¸Ó½Å·¯´×ÀÇ ±âº» °³³ä°ú ÀÀ¿ë
¡Ü ³Î¸® »ç¿ëµÇ´Â ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀÇ ÀåÁ¡°ú ´ÜÁ¡
¡Ü ¸Ó½Å·¯´×À¸·Î ó¸®ÇÑ µ¥ÀÌÅ͸¦ Ç¥ÇöÇÏ´Â ¹æ¹ý
¡Ü ¸ðµ¨ Æò°¡¿Í ¸Å°³º¯¼ö Æ©´×À» À§ÇÑ °í±Þ ¹æ¹ý
¡Ü üÀÎ ¸ðµ¨°ú ¿öÅ©Ç÷Πĸ½¶È¸¦ À§ÇÑ ÆÄÀÌÇÁ¶óÀÎ
¡Ü ÅؽºÆ® µ¥ÀÌÅ͸¦ ´Ù·ç´Â ±â¼ú
¡Ü ¸Ó½Å·¯´×°ú µ¥ÀÌÅÍ °úÇÐ ±â¼ú Çâ»óÀ» À§ÇÑ Á¶¾ð
-
-
CHAPTER 1 ¼Ò°³
1.1 ¿Ö ¸Ó½Å·¯´×Àΰ¡?
__1.1.1 ¸Ó½Å·¯´×À¸·Î Ç® ¼ö ÀÖ´Â ¹®Á¦
__1.1.2 ¹®Á¦¿Í µ¥ÀÌÅÍ ÀÌÇØÇϱâ
1.2 ¿Ö ÆÄÀ̽ãÀΰ¡?
1.3 scikit-learn
__1.3.1 scikit-learn ¼³Ä¡
1.4 Çʼö ¶óÀ̺귯¸®¿Í µµ±¸µé
__1.4.1 ÁÖÇÇÅÍ ³ëÆ®ºÏ
__1.4.2 NumPy
__1.4.3 SciPy
__1.4.4 matplotlib
__1.4.5 pandas
__1.4.6 mglearn
1.5 ÆÄÀ̽ã 2 vs. ÆÄÀ̽ã 3
1.6 ÀÌ Ã¥¿¡¼ »ç¿ëÇÏ´Â ¼ÒÇÁÆ®¿þ¾î ¹öÀü
1.7 ù ¹ø° ¾ÖÇø®ÄÉÀ̼Ç: º×²ÉÀÇ Ç°Á¾ ºÐ·ù
__1.7.1 µ¥ÀÌÅÍ ÀûÀç
__1.7.2 ¼º°ú ÃøÁ¤: ÈÆ·Ã µ¥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅÍ
__1.7.3 °¡Àå ¸ÕÀú ÇÒ ÀÏ: µ¥ÀÌÅÍ »ìÆ캸±â
__1.7.4 ù ¹ø° ¸Ó½Å·¯´× ¸ðµ¨: k-ÃÖ±ÙÁ¢ ÀÌ¿ô ¾Ë°í¸®Áò
__1.7.5 ¿¹ÃøÇϱâ
__1.7.6 ¸ðµ¨ Æò°¡Çϱâ
1.8 ¿ä¾à ¹× Á¤¸®
CHAPTER 2 Áöµµ ÇнÀ
2.1 ºÐ·ù¿Í ȸ±Í
2.2 ÀϹÝÈ, °ú´ëÀûÇÕ, °ú¼ÒÀûÇÕ
__2.2.1 ¸ðµ¨ º¹Àâµµ¿Í µ¥ÀÌÅͼ ũ±âÀÇ °ü°è
2.3 Áöµµ ÇнÀ ¾Ë°í¸®Áò
__2.3.1 ¿¹Á¦¿¡ »ç¿ëÇÒ µ¥ÀÌÅͼÂ
__2.3.2 k-ÃÖ±ÙÁ¢ ÀÌ¿ô
__2.3.3 ¼±Çü ¸ðµ¨
__2.3.4 ³ªÀÌºê º£ÀÌÁî ºÐ·ù±â
__2.3.5 °áÁ¤ Æ®¸®
__2.3.6 °áÁ¤ Æ®¸®ÀÇ ¾Ó»óºí
__2.3.7 (Çѱ¹¾îÆÇ ºÎ·Ï) ¹è±ë, ¿¢½ºÆ®¶ó Æ®¸®, ¿¡À̴ٺνºÆ®
__2.3.8 Ä¿³Î ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
__2.3.9 ½Å...°æ¸Á(µö·¯´×)
2.4 ºÐ·ù ¿¹ÃøÀÇ ºÒÈ®½Ç¼º ÃßÁ¤
__2.4.1 °áÁ¤ ÇÔ¼ö
__2.4.2 ¿¹Ãø È®·ü
__2.4.3 ´ÙÁß ºÐ·ù¿¡¼ÀÇ ºÒÈ®½Ç¼º
2.5 ¿ä¾à ¹× Á¤¸®
CHAPTER 3 ºñÁöµµ ÇнÀ°ú µ¥ÀÌÅÍ Àüó¸®
3.1 ºñÁöµµ ÇнÀÀÇ Á¾·ù
3.2 ºñÁöµµ ÇнÀÀÇ µµÀü °úÁ¦
3.3 µ¥ÀÌÅÍ Àüó¸®¿Í ½ºÄÉÀÏ Á¶Á¤
__3.3.1 ¿©·¯ °¡Áö Àüó¸® ¹æ¹ý
__3.3.2 µ¥ÀÌÅÍ º¯È¯ Àû¿ëÇϱâ
__3.3.3 (Çѱ¹¾îÆÇ ºÎ·Ï) QuantileTransformer¿Í PowerTransformer
__3.3.4 ÈÆ·Ã µ¥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅÍÀÇ ½ºÄÉÀÏÀ» °°Àº ¹æ¹ýÀ¸·Î Á¶Á¤Çϱâ
__3.3.5 Áöµµ ÇнÀ¿¡¼ µ¥ÀÌÅÍ Àüó¸® È¿°ú
3.4 Â÷¿ø Ãà¼Ò, Ư¼º ÃßÃâ, ¸Å´ÏÆúµå ÇнÀ
__3.4.1 ÁÖ¼ººÐ ºÐ¼®(PCA)
__3.4.2 ºñÀ½¼ö Çà·Ä ºÐÇØ(NMF)
__3.4.3 t-SNE¸¦ ÀÌ¿ëÇÑ ¸Å´ÏÆúµå ÇнÀ
3.5 ±ºÁý
__3.5.1 k-Æò±Õ ±ºÁý
__3.5.2 º´ÇÕ ±ºÁý
__3.5.3 DBSCAN
__3.5.4 ±ºÁý ¾Ë°í¸®ÁòÀÇ ºñ±³¿Í Æò°¡
__3.5.5 ±ºÁý ¾Ë°í¸®Áò ¿ä¾à
3.6 ¿ä¾à ¹× Á¤¸®
CHAPTER 4 µ¥ÀÌÅÍ Ç¥Çö°ú Ư¼º °øÇÐ
4.1 ¹üÁÖÇü º¯¼ö
__4.1.1 ¿ø-ÇÖ-ÀÎÄÚµù(°¡º¯¼ö)
__4.1.2 ¼ýÀڷΠǥÇöµÈ ¹üÁÖÇü Ư¼º
4.2 OneHotEncoder¿Í ColumnTransformer: scikit-learnÀ¸·Î ¹üÁÖÇü º¯¼ö ´Ù·ç±â
4.3 make_column_transformer·Î °£ÆíÇÏ°Ô ColumnTransformer ¸¸µé±â
4.4 ±¸°£ ºÐÇÒ, ÀÌ»êÈ ±×¸®°í ¼±Çü ¸ðµ¨, Æ®¸® ¸ðµ¨
4.5 »óÈ£ÀÛ¿ë°ú ´ÙÇ×½Ä
4.6 ÀϺ¯·® ºñ¼±Çü º¯È¯
4.7 Ư¼º ÀÚµ¿ ¼±ÅÃ
__4.7.1 ÀϺ¯·® Åë°è
__4.7.2 ¸ðµ¨ ±â¹Ý Ư¼º ¼±ÅÃ
__4.7.3 ¹Ýº¹Àû Ư¼º ¼±ÅÃ
4.8 Àü¹®°¡ Áö½Ä È°¿ë
4.9 ¿ä¾à ¹× Á¤¸®
CHAPTER 5 ¸ðµ¨ Æò°¡¿Í ¼º´É Çâ»ó
5.1 ±³Â÷ °ËÁõ
__5.1.1 scikit-learnÀÇ ±³Â÷ °ËÁõ
__5.1.2 ±³Â÷ °ËÁõÀÇ ÀåÁ¡
__5.1.3 °èÃþº° k-°ã ±³Â÷ °ËÁõ°ú ±×¿Ü Àü·«µé
__5.1.4 (Çѱ¹¾îÆÇ ºÎ·Ï) ¹Ýº¹ ±³Â÷ °ËÁõ
5.2 ±×¸®µå ¼Ä¡
__5.2.1 °£´ÜÇÑ ±×¸®µå ¼Ä¡
__5.2.2 ¸Å°³º¯¼ö °ú´ëÀûÇÕ°ú °ËÁõ ¼¼Æ®
__5.2.3 ±³Â÷ °ËÁõÀ» »ç¿ëÇÑ ±×¸®µå ¼Ä¡
5.3 Æò°¡ ÁöÇ¥¿Í ÃøÁ¤
__5.3.1 ÃÖÁ¾ ¸ñÇ¥¸¦ ±â¾ïÇ϶ó
__5.3.2 ÀÌÁø ºÐ·ùÀÇ Æò°¡ ÁöÇ¥
__5.3.3 ´ÙÁß ºÐ·ùÀÇ Æò°¡ ÁöÇ¥
__5.3.4 ȸ±ÍÀÇ Æò°¡ ÁöÇ¥
__5.3.5 ¸ðµ¨ ¼±Åÿ¡¼ Æò°¡ ÁöÇ¥ »ç¿ëÇϱâ
5.4 ¿ä¾à ¹× Á¤¸®
CHAPTER 6 ¾Ë°í¸®Áò üÀΰú ÆÄÀÌÇÁ¶óÀÎ
6.1 µ¥ÀÌÅÍ Àüó¸®¿Í ¸Å°³º¯¼ö ¼±ÅÃ
6.2 ÆÄÀÌÇÁ¶óÀÎ ±¸ÃàÇϱâ
6.3 ±×¸®µå ¼Ä¡¿¡ ÆÄÀÌÇÁ¶óÀÎ Àû¿ëÇϱâ
6.4 ÆÄÀÌÇÁ¶óÀÎ ÀÎÅÍÆäÀ̽º
__6.4.1 make_piplelineÀ» »ç¿ëÇÑ ÆÄÀÌÇÁ¶óÀÎ »ý¼º
__6.4.2 ´Ü°è ¼Ó¼º¿¡ Á¢±ÙÇϱâ
__6.4.3 ±×¸®µå ¼Ä¡ ¾ÈÀÇ ÆÄÀÌÇÁ¶óÀÎ ¼Ó¼º¿¡ Á¢±ÙÇϱâ
6.5 Àüó¸®¿Í ¸ðµ¨ÀÇ ¸Å°³º¯¼ö¸¦ À§ÇÑ ±×¸®µå ¼Ä¡
6.6 ¸ðµ¨ ¼±ÅÃÀ» À§ÇÑ ±×¸®µå ¼Ä¡
__6.6.1 Áߺ¹ °è»ê ÇÇÇϱâ
6.7 ¿ä¾à ¹× Á¤¸®
CHAPTER 7 ÅؽºÆ® µ¥ÀÌÅÍ ´Ù·ç±â
7.1 ¹®ÀÚ¿ µ¥ÀÌÅÍ Å¸ÀÔ
7.2 ¿¹Á¦ ¾ÖÇø®ÄÉÀ̼Ç: ¿µÈ ¸®ºä °¨¼º ºÐ¼®
7.3 ÅؽºÆ® µ¥ÀÌÅ͸¦ BOW·Î Ç¥ÇöÇϱâ
__7.3.1 »ùÇà µ¥ÀÌÅÍ¿¡ BOW Àû¿ëÇϱâ
__7.3.2 ¿µÈ ¸®ºä¿¡ ´ëÇÑ BOW
7.4 ºÒ¿ë¾î
7.5 tf-idf·Î µ¥ÀÌÅÍ ½ºÄÉÀÏ º¯°æÇϱâ
7.6 ¸ðµ¨ °è¼ö Á¶»ç
7.7 ¿©·¯ ´Ü¾î·Î ¸¸µç BOW(n-±×·¥)
7.8 °í±Þ ÅäÅ«È, ¾î°£ ÃßÃâ, Ç¥Á¦¾î ÃßÃâ
__7.8.1 (Çѱ¹¾îÆÇ ºÎ·Ï) KoNLPy¸¦ »ç¿ëÇÑ ¿µÈ ¸®ºä ºÐ¼®
7.9 ÅäÇÈ ¸ðµ¨¸µ°ú ¹®¼ ±ºÁýÈ
__7.9.1 LDA
7.10 ¿ä¾à ¹× Á¤¸®
CHAPTER 8 ¸¶¹«¸®
8.1 ¸Ó½Å·¯´× ¹®Á¦ Á¢±Ù ¹æ¹ý
__8.1.1 ÀÇ»ç °áÁ¤ Âü¿©
8.2 ÇÁ·ÎÅäŸÀÔ¿¡¼ Á¦Ç°±îÁö
8.3 Á¦Ç° ½Ã½ºÅÛ Å×½ºÆ®
8.4 ³ª¸¸ÀÇ ÃßÁ¤±â ¸¸µé±â
8.5 ´õ ¹è¿ï °Íµé
__8.5.1 ÀÌ·Ð
__8.5.2 ´Ù¸¥ ¸Ó½Å·¯´× ÇÁ·¹ÀÓ¿öÅ©¿Í ÆÐÅ°Áö
__8.5.3 ·©Å·, Ãßõ ½Ã½ºÅÛ°ú ±× ¿Ü ´Ù¸¥ ¾Ë°í¸®Áò
__8.5.4 È®·ü ¸ðµ¨¸µ, Ãß·Ð, È®·üÀû ÇÁ·Î±×·¡¹Ö
__8.5.5 ½Å°æ¸Á
__8.5.6 ´ë±Ô¸ð µ¥ÀÌÅͼÂÀ¸·Î È®Àå
__8.5.7 ½Ç·Â ±â¸£±â
8.6 ¸¶Ä¡¸ç
-
-
-
|
¾Èµå·¹¾Æ½º ¹Á·¯ [Àú]
|
|
-
ÀúÀÚ ¾Èµå·¹¾Æ½º ¹Á·¯(Andreas C. Mueller)´Â µ¶ÀÏ º»(Bonn) ´ëÇб³¿¡¼ ¸Ó½Å·¯´×À¸·Î ¹Ú»ç ÇÐÀ§¸¦ ¹Þ¾Ò´Ù. 1³â°£ ¾Æ¸¶Á¸ÀÇ ÄÄÇ»ÅÍ ºñÀü ÀÀ¿ë ºÎ¼¿¡¼ ¸Ó½Å·¯´× ¿¬±¸ÀÚ·Î ÀÏÇÑ µÚ ´º¿å ´ëÇб³ÀÇ µ¥ÀÌÅÍ °úÇÐ ¼¾ÅÍ¿¡ ÇÕ·ùÇß°í, ÇöÀç´Â Ä÷³ºñ¾Æ ´ëÇб³¿¡¼ ¡®Applied Machine Learning¡¯ °ú¸ñÀ» °¡¸£Ä¡°í ÀÖ´Ù. Áö³ 4³â µ¿¾È Çаè¿Í »ê¾÷°è¿¡¼ ³Î¸® »ç¿ëÇÏ´Â ¸Ó½Å·¯´× ÅøŶÀÎ »çÀÌŶ·±ÀÇ ÇÙ½É ±â¿©ÀÚ¿Í °ü¸®ÀÚ·Î È°µ¿Çß´Ù. ¶Ç Àß ¾Ë·ÁÁø ¿©·¯ ¸Ó½Å·¯´× ÆÐÅ°Áö¸¦ Á÷Á¢ ¸¸µé°Å³ª °³¹ß¿¡ Âü¿©Çß´Ù. ¹Á·¯ÀÇ ¼Ò¸ÁÀº ¸Ó½Å·¯´× ¾ÖÇø®ÄÉÀÌ¼Ç °³¹ßÀÇ ÁøÀÔ À庮À» ³·Ãß°í, ¼öÁØ ³ôÀº ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀ» ¼Õ½±°Ô »ç¿ëÇÒ ¼ö ÀÖ´Â °ø°³ ÅøÀ» ¸¸µå´Â °ÍÀÌ´Ù.
-
|
¹ÚÇؼ± [Àú]
|
|
-
±â°è°øÇÐÀ» Àü°øÇßÁö¸¸ Á¹¾÷ ÈÄ¿£ ÁÙ°ð Äڵ带 ÀÐ°í ¾²´Â ÀÏÀ» Çß½À´Ï´Ù. ÅÙ¼Ç÷Πºí·Î±×(tensorflow.blog)¸¦ ¿î¿µÇÏ°í ÀÖ°í, ¸Ó½Å·¯´×°ú µö·¯´×¿¡ °üÇÑ Ã¥À» ÁýÇÊÇÏ°í ¹ø¿ªÇÏ¸é¼ ¼ÒÇÁÆ®¿þ¾î¿Í °úÇÐÀÇ °æ°è¸¦ Èï¹Ì·Ó°Ô ŽÇèÇÏ°í ÀÖ½À´Ï´Ù. ¡ºÈ¥ÀÚ °øºÎÇÏ´Â ¸Ó½Å·¯´×+µö·¯´×¡»(ÇѺû¹Ìµð¾î, 2020), ¡ºDo it! µö·¯´× ÀÔ¹®¡»(ÀÌÁö½ºÆÛºí¸®½Ì, 2019)À» ÁýÇÊÇß½À´Ï´Ù. ¡º¸Ó½Å·¯´× ÆÄ¿öµå ¾ÖÇø®ÄÉÀ̼ǡ»(ÇѺû¹Ìµð¾î, 2021), ¡º¸Ó½Å·¯´× ±³°ú¼ with ÆÄÀ̽ã, »çÀÌŶ·±, ÅÙ¼Ç÷Î(°³Á¤ 3ÆÇ)¡»(±æ¹þ, 2021), ¡ºÆÄÀÌÅäÄ¡·Î ¹è¿ì´Â ÀÚ¿¬¾î 󸮡»(ÇѺû¹Ìµð¾î, 2021), ¡ºµö·¯´× ÀÏ·¯½ºÆ®·¹ÀÌƼµå¡»(½Ã±×¸¶ÇÁ·¹½º, 2021), ¡ºGAN ÀÎ ¾×¼Ç¡»
(ÇѺû¹Ìµð¾î, 2020), ¡ºÇÚÁî¿Â ¸Ó½Å·¯´×(2ÆÇ)¡»(ÇѺû¹Ìµð¾î, 2020), ¡º¹Ì¼ú°ü¿¡ GAN µö·¯´×¡» (ÇѺû¹Ìµð¾î, 2019), ¡ºÆÄÀ̽ãÀ» È°¿ëÇÑ ¸Ó½Å·¯´× ÄîºÏ¡»(ÇѺû¹Ìµð¾î, 2019), ¡º¸Ó½Å ·¯´× ±³°ú¼ with ÆÄÀ̽ã, »çÀÌŶ·±, ÅÙ¼Ç÷Ρ»(±æ¹þ, 2019), ¡ºÄÉ¶ó½º Ã¢½ÃÀÚ¿¡°Ô ¹è¿ì´Â µö·¯´×¡»(±æ¹þ,2018), ¡ºÇÚÁî¿Â ¸Ó½Å·¯´×¡»(ÇѺû¹Ìµð¾î, 2018), ¡ºÅÙ¼Ç÷Πù°ÉÀ½¡»(ÇѺû¹Ìµð¾î, 2016)À» ¿ì¸®¸»·Î ¿Å°å½À´Ï´Ù.
-
-
Àüü 0°³ÀÇ ±¸¸ÅÈıⰡ ÀÖ½À´Ï´Ù.
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù. |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
»óÇ°À» °ø±Þ ¹ÞÀº ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´É
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ù À̳», ȤÀº ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏ À̳»
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´É |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
±¸¸ÅÈ®Á¤ ÀÌÈÄ(¿ÀǸ¶ÄÏ»óÇ°¿¡ ÇÑÇÔ)
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
(´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü)
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì |
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù.
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
Áß°í»óÇ°ÀÇ ±³È¯ |
Áß°í»óÇ°Àº Á¦ÇÑµÈ Àç°í ³»¿¡¼ ÆǸŰ¡ ÀÌ·ç¾îÁö¹Ç·Î, ±³È¯Àº ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
¿ÀǸ¶ÄÏ »óÇ°ÀÇ È¯ºÒ |
¿ÀǸ¶ÄÏ»óÇ°¿¡ ´ëÇÑ Ã¥ÀÓÀº ¿øÄ¢ÀûÀ¸·Î ¾÷ü¿¡°Ô ÀÖÀ¸¹Ç·Î, ±³È¯/¹ÝÇ° Á¢¼ö½Ã ¹Ýµå½Ã ÆǸÅÀÚ¿Í ÇùÀÇ ÈÄ ¹ÝÇ° Á¢¼ö¸¦ ÇϼžßÇϸç, ¹ÝÇ°Á¢¼ö ¾øÀÌ ¹Ý¼ÛÇϰųª, ¿ìÆíÀ¸·Î º¸³¾ °æ¿ì »óÇ° È®ÀÎÀÌ ¾î·Á¿ö ȯºÒÀÌ ºÒ°¡´ÉÇÒ ¼ö ÀÖÀ¸´Ï À¯ÀÇÇϽñ⠹ٶø´Ï´Ù. |
|
|
|
¹è¼Û¿¹Á¤ÀÏ ¾È³» |
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°¿¡ ´ëÇØ ¹è¼Û¿Ï·á¿¹Á¤ÀÏÀ» À¥»çÀÌÆ®¿¡ Ç¥½ÃÇÏ°í ÀÖ½À´Ï´Ù.
|
<ÀÎÅÍÆÄÅ© Á÷¹è¼Û »óÇ°> |
»óÇ°Àº ¿ù~Åä¿äÀÏ ¿ÀÀü 10½Ã ÀÌÀü ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ´çÀÏ Ãâ°í/´çÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù. |
»óÇ°Àº ¼¿ïÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀº ´çÀÏ Ãâ°í/ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇϸç,
¼¿ï¿ÜÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀÇ °æ¿ì´Â ¿ÀÈÄ 6½Ã±îÁö ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù.
(´Ü, ¿ù¿äÀÏÀº 12½Ã±îÁö ÁÖ¹®¿¡ ÇÑÇÔ)
|
»óÇ°Àº, ÀÔ°í¿¹Á¤ÀÏ(Á¦Ç°Ãâ½ÃÀÏ)+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù. |
~
»óÇ°Àº À¯ÅëƯ¼º»ó ÀÎÅÍÆÄÅ©¿¡¼ Àç°í¸¦ º¸À¯ÇÏÁö ¾ÊÀº »óÇ°À¸·Î ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø±âÁØÃâ°íÀÏ:ÀÎÅÍÆÄÅ©°¡ »óÇ°À» ¼ö±ÞÇÏ¿© ¹°·ùâ°í¿¡¼ Æ÷Àå/Ãâ°íÇϱâ±îÁö ¼Ò¿äµÇ´Â ½Ã°£
|
|
<¾÷ü Á÷Á¢¹è¼Û/¿ÀǸ¶ÄÏ »óÇ°> |
~
»óÇ°Àº ¾÷ü°¡ ÁÖ¹®À» È®ÀÎÇÏ°í, Ãâ°íÇϱâ±îÁö °É¸®´Â ½Ã°£ÀÔ´Ï´Ù. ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(2ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø5ÀÏÀ̳» Ãâ°í°¡ ½ÃÀÛµÇÁö ¾ÊÀ»½Ã, ¿ÀǸ¶ÄÏ »óÇ°Àº ÀÚµ¿À¸·Î ÁÖ¹®ÀÌ Ãë¼ÒµÇ¸ç, °í°´´Ô²² Ç°Àýº¸»ó±ÝÀ» Áö±ÞÇØ µå¸³´Ï´Ù.
|
|
|
¹è¼Ûºñ ¾È³» |
µµ¼(Áß°íµµ¼ Æ÷ÇÔ)¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û) À½¹Ý/DVD¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
ÀâÁö/¸¸È/±âÇÁÆ®¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í À½¹Ý/DVD¸¦ ÇÔ²² ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø 1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í ÀâÁö/¸¸È/±âÇÁÆ®/Áß°íÁ÷¹è¼Û»óÇ°À» ÇÔ²² ±¸¸ÅÇϽøé : 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
¾÷üÁ÷Á¢¹è¼Û»óÇ°À» ±¸¸Å½Ã : ¾÷üº°·Î »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë
* ¼¼Æ®»óÇ°ÀÇ °æ¿ì ºÎºÐÃë¼Ò ½Ã Ãß°¡ ¹è¼Ûºñ°¡ ºÎ°úµÉ ¼ö ÀÖ½À´Ï´Ù.
* ºÏÄ«Æ®¿¡¼ ¹è¼Ûºñ¾ø¾Ö±â ¹öÆ°À» Ŭ¸¯Çϼż, µ¿ÀϾ÷ü»óÇ°À» Á¶±Ý ´õ ±¸¸ÅÇϽøé, ¹è¼Ûºñ¸¦ Àý¾àÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù.
|
|
Çؿܹè¼Û ¾È³» |
ÀÎÅÍÆÄÅ©µµ¼¿¡¼´Â ±¹³»¿¡¼ ÁÖ¹®ÇϽðųª ÇØ¿Ü¿¡¼ ÁÖ¹®ÇÏ¿© ÇØ¿Ü·Î ¹è¼ÛÀ» ¿øÇÏ½Ç °æ¿ì DHL°ú Ư¾àÀ¸·Î Ã¥Á¤µÈ ¿ä±ÝÇ¥¿¡
ÀÇÇØ °³ÀÎÀÌ ÀÌ¿ëÇÏ´Â °æ¿ìº¸´Ù ¹è¼Û¿ä±ÝÀ» Å©°Ô ³·Ã߸ç DHL(www.dhl.co.kr)·Î Çؿܹè¼Û ¼ºñ½º¸¦ Á¦°øÇÕ´Ï´Ù.
Çؿܹè¼ÛÀº µµ¼/CD/DVD »óÇ°¿¡ ÇÑÇØ ¼ºñ½ºÇÏ°í ÀÖÀ¸¸ç, ´Ù¸¥ »óÇ°À» ºÏÄ«Æ®¿¡ ÇÔ²² ´ãÀ¸½Ç °æ¿ì Çؿܹè¼ÛÀÌ ºÒ°¡ÇÕ´Ï´Ù.
ÇØ¿ÜÁÖ¹®¹è¼Û ¼ºñ½º´Â ÀÎÅÍÆÄÅ© µµ¼ ȸ¿ø °¡ÀÔÀ» Çϼž߸¸ ½Åû °¡´ÉÇÕ´Ï´Ù. |
|
¾Ë¾ÆµÎ¼¼¿ä!!! |
µµ¸Å»ó ¹× Á¦ÀÛ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
¿ÀǸ¶ÄϾ÷üÀÇ ¹è¼ÛÁö¿¬½Ã ÁÖ¹®ÀÌ ÀÚµ¿À¸·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
À¯ÅëÀÇ Æ¯¼º»ó Ãâ°í±â°£Àº ¿¹Á¤º¸´Ù ¾Õ´ç°ÜÁö°Å³ª ´ÊÃçÁú ¼ö ÀÖ½À´Ï´Ù.
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù. |
|
|
|
|