국내도서

>

전공도서/대학교재

>

공학계열

>

컴퓨터공학

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

• 
• 도서  > 전공도서/대학교재  > 공학계열  > 컴퓨터공학

• 

	아이러브 A.I(제이펍의 인공지능)(총29건) 케라스 창시자의 딥러닝 with R     26,100원 (10%↓) 파이썬으로 배우는 응용 텍스트 분석 : 언어 인식 데이터 제품 개발을 위한 머신러닝     24,300원 (10%↓) 알파제로를 분석하며 배우는 인공지능 : 딥 러닝, 강화 학습, 탐색으로 배우는 인공지능 프로그래밍     27,000원 (10%↓) 예제로 배우는 파이썬 머신러닝 : 텐서플로 2, 파이토치, 사이킷런으로     29,700원 (10%↓) 단단한 심층강화학습 : 심층강화학습 기본 개념을 제대로 정리한 인공지능 교과서     27,000원 (10%↓) 파이썬 머신러닝 실무 테크닉 100     22,500원 (10%↓) 코드로 배우는 인공지능 : 개발자의, 개발자에 의한, 개발자를 위한 AI     22,500원 (10%↓) 파이토치 첫걸음 : 딥러닝 모델 생성에서 애플리케이션 개발까지     21,600원 (10%↓) 단단한 머신러닝 : 머신러닝 기본 개념을 제대로 정리한 인공지능 교과서     27,000원 (10%↓) 딥러닝 인 더 브라우저 : 자바스크립트 프레임워크를 이용한 딥러닝 웹 개발     18,000원 (10%↓) 데이터 과학자와 데이터 엔지니어를 위한 인터뷰 문답집 : 100개 이상의 실전 면접 문제로 배우는 머신러닝/딥러닝/강화학습 알고리즘     30,600원 (10%↓) 단단한 강화학습 : 강화학습 기본 개념을 제대로 정리한 인공지능 교과서     31,500원 (10%↓) 딥러닝을 위한 수학 : 신경망 수학 기초부터 역전파와 경사하강법까지     27,000원 (10%↓) 비전공자를 위한 인공지능 교과서 : 미래를 준비하는 모두를 위한 이 시대의 교양     16,200원 (10%↓) 머신러닝 엔지니어링 : 데이터 수집부터 특징 공학, 모델 평가, 배포, 유지보수까지     25,200원 (10%↓) 인공지능 2 : 현대적 접근방식     34,200원 (10%↓) 인공지능 1 : 현대적 접근방식     37,800원 (10%↓) 쏙쏙 들어오는 인공지능 알고리즘     25,200원 (10%↓) 주머니 속의 머신러닝 : 파이썬으로 구조적 데이터 다루기     13,500원 (10%↓) 입문에서 컴피티션까지 파이썬으로 시작하는 캐글 : 예제 코드 상세 해설 수록     16,200원 (10%↓) 심층 강화학습 인 액션 : 기본 개념부터 파이썬 기반의 최신 알고리즘 구현까지     27,000원 (10%↓) 파이썬으로 배우는 자연어 처리 인 액션     31,500원 (10%↓) 검색을 위한 딥러닝 : 심층 신경망을 활용하는 차세대 검색 엔진 개발     26,100원 (10%↓) 브레인 이미테이션 : 인간을 모방한 인공지능 | 두뇌를 모방한 뉴럴 네트워크     16,200원 (10%↓) 알파고를 분석하며 배우는 인공지능 : 딥 러닝, 몬테카를로 트리 탐색, 듀얼 네트워크, 강화 학습 구조 이해하기     23,400원 (10%↓) 심층 학습     37,800원 (10%↓) 패턴 인식과 머신 러닝 : 패턴 인식 계열의 바이블 | 모두가 기다려온 바로 그 비숍책 한국어판 출간     41,400원 (10%↓) 인공지능 70 : 재미있게 알아보는 AI 키워드     11,700원 (10%↓) 텐서플로로 시작하는 딥러닝 : 합성곱 신경망 중심의 딥러닝 알고리즘     21,600원 (10%↓)

• 
• 
• 파이썬과 다양한 AI 패키지로 만드는 수준 높은 예제! 최신 NLP 제품과 서비스 개발을 위한 실용주의적 안내서! 최근 심층 학습(딥러닝) 기술이 발전하면서 응용 프로그램들이 대단히 정확하게 텍스트와 음성을 인식하게 되었다. 또한, 새로운 기술과 Keras나 TensorFlow 같은 사용하기 쉬운 도구들 덕분에 이제는 고품질 NLP(자연어 처리) 응용 프로그램을 예전보다 쉽게 만들어낼 수 있다. 이 책은 사람의 언어를 읽고 해석할 수 있는 프로그램을 만들려는 모든 개발자를 위한 지침서다. 이 책에서는 바로 사용할 수 있는 파이썬 패키지들을 이용해서 텍스트의 의미를 포착하고 그에 따라 반응하는 챗봇을 구축한다. 또한, 전통적인 NLP 접근 방식들은 물론이고, 좀 더 최근의 심층 학습 알고리즘과 텍스트 생성 기법들을 동원해서 날짜와 이름 추출, 텍스트 작성, 비정형 질문에 대한 응답 같은 여러 실질적인 NLP 문제들을 해결한다.
• 
• PART I 말 많은 컴퓨터: NLP의 기초 1 CHAPTER 1 사고의 단위: NLP의 개요 3 1.1 자연어 대 프로그래밍 언어 4 1.2 마법 5 1.2.1 대화하는 기계 6 1.2.2 수학 7 1.3 실제 응용들 9 1.4 컴퓨터의 ‘눈’으로 본 언어 11 1.4.1 자물쇠 언어 12 1.4.2 정규 표현식 13 1.4.3 간단한 챗봇 14 1.4.4 또 다른 방법 19 1.5 짧은 초공간 탐험 23 1.6 단어의 순서와 문법 25 1.7 챗봇의 자연어 처리 파이프라인 27 1.8 더 깊은 처리 30 1.9 자연어 IQ 32 요약 35 CHAPTER 2 나만의 어휘 구축: 단어 토큰화 37 2.1 어려운 문제: 어간 추출의 개요 39 2.2 토큰 생성기를 이용한 어휘 구축 40 2.2.1 내적 50 2.2.2 두 단어 모음의 중복 측정 51 2.2.3 토큰 개선 52 2.2.4 n-그램을 이용한 어휘 확장 58 2.2.5 어휘 정규화 66 2.3 감정 분석 76 2.3.1 VADER-규칙 기반 감정 분석기 78 2.3.2 단순 베이즈 모형 80 요약 84 CHAPTER 3 말 잘하는 수학: TF-IDF 벡터 85 3.1 단어 모음 86 3.2 벡터화 92 3.2.1 벡터 공간 95 3.3 지프의 법칙 101 3.4 주제 모형화 104 3.4.1 돌아온 지프 108 3.4.2 관련...성 순위 110 3.4.3 주요 도구: scikit-learn 112 3.4.4 여러 TF-IDF 정규화 방법 113 3.4.5 Okapi BM25 115 3.4.6 다음 단계 116 요약 116 CHAPTER 4 단어 빈도에서 의미 찾기: 의미 분석 117 4.1 단어 빈도에서 주제 점수로 119 4.1.1 TF-IDF 벡터와 표제어 추출 119 4.1.2 주제 벡터 120 4.1.3 사고 실험 122 4.1.4 주제 점수를 매기는 알고리즘 127 4.1.5 LDA 분류기 129 4.2 잠재 의미 분석(LSA) 134 4.2.1 사고 실험의 실현 137 4.3 특잇값 분해 140 4.3.1 왼쪽 특이 벡터 행렬 U 142 4.3.2 특잇값 행렬 S 143 4.3.3 오른쪽 특이 벡터 행렬 VT 145 4.3.4 SVD 행렬의 방향 145 4.3.5 주제 절단 146 4.4 주성분 분석(PCA) 148 4.4.1 3차원 벡터에 대한 PCA 150 4.4.2 말을 떠나 다시 NLP로 돌아가서 152 4.4.3 PCA를 이용한 문자 메시지 잠재 의미 분석 154 4.4.4 절단된 SVD를 이용한 문자 메시지 잠재 의미 분석 157 4.4.5 스팸 분류에 대한 LSA의 정확도 158 4.5 잠재 디리클레 할당(LDiA) 161 4.5.1 LDiA의 기초 162 4.5.2 문자 메시지 말뭉치에 대한 LDiA 주제 모형 165 4.5.3 LDiA + LDA = 스팸 분류기 168 4.5.4 좀 더 공정한 비교: 주제가 32개인 LDiA 171 4.6 거리와 유사도 173 4.7 피드백에 기초한 방향 조정 176 4.7.1 선형 판별 분석(LDA) 177 4.8 주제 벡터의 위력 179 4.8.1 의미 기반 검색 181 4.8.2 개선안 184 요약 184 PART II 더 깊은 학습: 신경망 적용 185 CHAPTER 5 신경망 첫걸음: 퍼셉트론과 역전파 187 5.1 신경망의 구성요소 188 5.1.1 퍼셉트론 189 5.1.2 디지털 퍼셉트론 190 5.1.3 치우침 단위 191 5.1.4 오차 곡면을 누비며 207 5.1.5 경사로를 따라 활강 208 5.1.6 흔들어서 탈출 210 5.1.7 케라스: 신경망 파이썬 구현 211 5.1.8 더 깊게 배우고 싶다면 215 5.1.9 정규화: 스타일 있는 입력 215 요약 216 CHAPTER 6 단어 벡터를 이용한 추론: word2vec 활용 217 6.1 의미 기반 질의와 비유 218 6.1.1 비유 질문 219 6.2 단어 벡터 221 6.2.1 벡터 지향적 추론 225 6.2.2 word2vec의 단어 표현 계산 228 6.2.3 gensim.word2vec 모듈 사용법 238 6.2.4 나만의 단어 벡터 모형 만들기 241 6.2.5 word2vec 대 GloVe 244 6.2.6 fastText 245 6.2.7 word2vec 대 LSA 246 6.2.8 단어 관계의 시각화 247 6.2.9 인위적인 단어들 254 6.2.10 doc2vec을 이용한 문서 유사도 추정 256 요약 258 CHAPTER 7 단어 순서를 고려한 의미 분석: 합성곱 신경망 259 7.1 의미의 학습 261 7.2 도구 모음 262 7.3 합성곱 신경망 264 7.3.1 합성곱 신경망의 구조 264 7.3.2 단계 크기(보폭) 266 7.3.3 필터의 구성 266 7.3.4 여백 채우기 268 7.3.5 훈련(학습) 270 7.4 다시 텍스트로 271 7.4.1 케라스로 합성곱 신경망 구현: 자료 준비 273 7.4.2 합성곱 신경망의 구조 279 7.4.3 풀링 280 7.4.4 드롭아웃 283 7.4.5 마지막 층 추가 284 7.4.6 모형의 저장 및 시험 286 7.4.7 모형을 NLP 파이프라인에 도입 289 7.4.8 나머지 이야기 290 요약 292 CHAPTER 8 돌고 도는 신경망: 순환 신경망 293 8.1 과거를 아는 순환 신경망 296 8.1.1 시간에 대한 역전파 301 8.1.2 무엇을 언제 갱신하는가? 303 8.1.3 정리 306 8.1.4 항상 그렇듯이 함정이 있다 307 8.1.5 케라스를 이용한 순환 신경망 구현 307 8.2 모형의 컴파일 312 8.3 모형의 훈련 315 8.4 초매개변수 조율 316 8.5 예측 319 8.5.1 상태 유지 320 8.5.2 양방향 처리 321 8.5.3 순환층 출력의 의미 323 요약 323 CHAPTER 9 장단기 기억망(LSTM 망)을 이용한 기억 유지 개선 325 9.1 장단기 기억망(LSTM 망) 327 9.1.1 시간에 대한 역전파 336 9.1.2 예제 문장으로 모형을 시험 339 9.1.3 더러운 자료 340 9.1.4 다시 더러운 자료로 돌아가서 344 9.1.5 단어보다 글자가 쉽다 345 9.1.6 말문이 열린 신경망 352 9.1.7 구체적인 예제 하나 354 9.1.8 무엇을 말할 것인가? 363 9.1.9 다른 종류의 기억 수단 363 9.1.10 더 깊이 들어가서 364 요약 366 CHAPTER 10 순차열 대 순차열 모형과 주의 메커니즘 367 10.1 부호기-복호기 구조 368 10.1.1 생각 벡터의 복호화 369 10.1.2 비슷한 구조들 371 10.1.3 대화 생성을 위한 순차열 대 순차열 모형 373 10.1.4 LSTM 복습 374 10.2 순차열 대 순차열 NLP 파이프라인 구축 375 10.2.1 순차열 대 순차열 훈련을 위한 자료 집합 준비 375 10.2.2 케라스의 순차열 대 순차열 모형 376 10.2.3 순차열 부호기 377 10.2.4 생각 벡터 복호기 379 10.2.5 순차열 대 순차열 신경망 조립 380 10.3 순차열 대 순차열 신경망의 훈련 381 10.3.1 출력 순차열 생성 381 10.4 순차열 대 순차열 신경망을 이용한 챗봇 구축 383 10.4.1 훈련 자료 준비 383 10.4.2 문자 사전 구축 384 10.4.3 원핫 부호화 훈련 집합 생성 385 10.4.4 순차열 대 순차열 챗봇의 훈련 386 10.4.5 순차열 생성을 위한 모형 설정 387 10.4.6 순차열 생성(예측) 387 10.4.7 응답문 생성 및 출력 388 10.4.8 챗봇과 대화 389 10.5 개선안 390 10.5.1 버키팅을 이용한 학습 복잡도 감소 390 10.5.2 주의 메커니즘 391 10.6 순차열 대 순차열 신경망의 실제 용도 393 요약 395 PART III 응용: 실제 NLP 문제들 397 CHAPTER 11 정보 추출: 개체명 인식과 질의응답 399 11.1 개체명과 개체 관계 399 11.1.1 지식 베이스 400 11.1.2 정보 추출 403 11.2 정규 패턴 404 11.2.1 정규 표현식 405 11.2.2 기계 학습 특징 추출로서의 정보 추출 406 11.3 추출할 만한 정보 408 11.3.1 GPS 좌표 추출 408 11.3.2 날짜 추출 409 11.4 관계의 추출 415 11.4.1 품사 태깅 416 11.4.2 개체명 정규화 420 11.4.3 관계의 정규화와 추출 422 11.4.4 단어 패턴 422 11.4.5 분할 423 11.4.6 split(‘.!?’)만으로는 안 되는 이유 424 11.4.7 정규 표현식을 이용한 문장 분할 426 11.5 실제 용도 428 요약 429 CHAPTER 12 챗봇(대화 엔진) 만들기 431 12.1 대화 능력 432 12.1.1 현대적 접근 방식들 434 12.1.2 혼합형 접근 방식 441 12.2 패턴 부합 접근 방식 441 12.2.1 AIML을 이용한 패턴 부합 챗봇 구현 443 12.2.2 패턴 부합의 그래프 시각화 450 12.3 근거화 451 12.4 정보 검색 454 12.4.1 문맥 관리의 어려움 454 12.4.2 정보 검색 기반 챗봇 예제 456 12.4.3 Chatterbot 소개 460 12.5 생성 모형 463 12.5.1 NLPIA에 관한 대화 464 12.5.2 각 접근 방식의 장단점 466 12.6 사륜구동 467 12.6.1 챗봇 프레임워크 Will 468 12.7 설계 과정 469 12.8 요령과 편법 473 12.8.1 예측 가능한 답이 나올 질문을 던진다 473 12.8.2 동문서답 474 12.8.3 최후의 대비책은 검색 474 12.8.4 흥미 유지 475 12.8.5 인연 만들기 475 12.8.6 감정 담기 475 12.9 실제 응용 분야 476 요약 477 CHAPTER 13 규모 확장: 최적화, 병렬화, 일괄 처리 479 13.1 자료가 너무 많으면 480 13.2 NLP 알고리즘의 최적화 480 13.2.1 색인화 481 13.2.2 고급 색인화 483 13.2.3 Annoy를 이용한 고급 색인화 485 13.2.4 근사적 색인이 꼭 필요한가? 490 13.2.5 실숫값의 색인화: 이산화 491 13.3 상수 RAM 알고리즘 492 13.3.1 gensim 492 13.3.2 그래프 계산 493 13.4 NLP 계산 병렬화 494 13.4.1 GPU를 이용한 NLP 모형의 훈련 495 13.4.2 대여와 구매 496 13.4.3 GPU 대여 옵션들 497 13.4.4 TPU(텐서 처리 장치) 498 13.5 모형 훈련의 메모리 요구량 줄이기 498 13.6 TensorBoard를 이용한 모형 성능 평가 501 13.6.1 단어 내장 시각화 502 요약 505 APPENDIX A NLP 도구들 507 A.1 Anaconda3 설치 508 A.2 NLPIA 설치 509 A.3 IDE 509 A.4 우분투 패키지 관리자 510 A.5 맥 OS 511 A.5.1 Homebrew 511 A.5.2 기타 개발용 도구 설치 512 A.5.3 조율 512 A.6 Windows 514 A.6.1 VM 설정 515 A.7 NLPIA의 편의 기능 515 APPENDIX B 파이썬 즐기기와 정규 표현식 517 B.1 문자열 다루기 518 B.1.1 문자열 형식들: str과 bytes 518 B.1.2 파이썬 문자열 템플릿 519 B.2 파이썬의 매핑 자료 구조: dict와 OrderedDict 519 B.3 정규 표현식 520 B.3.1 |-OR 기호 520 B.3.2 ()-그룹 묶기 521 B.3.3 []-문자 부류 522 B.4 코딩 스타일 523 B.5 실력 쌓기 523 APPENDIX C 벡터와 행렬: 기초 선형대수 524 C.1 벡터 524 C.1.1 거리 526 APPENDIX D 기계 학습의 도구와 기법 531 D.1 자료 선택과 편향 531 D.2 얼마나 적합해야 적합된 것인가? 533 D.3 문제를 알면 반은 해결된 것이다 534 D.4 교차 검증 535 D.5 과대적합 방지 536 D.5.1 정칙화 537 D.5.2 드롭아웃 538 D.5.3 배치 정규화 539 D.6 불균형 훈련 집합 539 D.6.1 과다표집 540 D.6.2 과소표집 540 D.6.3 자료 증강 541 D.7 성능 측정 542 D.7.1 분류 모형의 성능 측정 542 D.7.2 회귀 모형의 성능 측정 545 D.8 전문가의 조언 545 APPENDIX E AWS GPU 설정 548 E.1 AWS 인스턴스 설정 549 E.1.1 비용 관리 561 APPENDIX F 지역 민감 해싱(LSH) 564 F.1 고차원 벡터는 어렵다 564 F.1.1 벡터 공간의 색인과 해시 565 F.1.2 고차원적 사고 566 F.2 고차원 색인화 570 F.2.1 지역 민감 해싱 570 F.2.2 근사 최근접 이웃 검색 571 F.3 ‘좋아요’ 예측 571 참고 자료 573 용어집 586 찾아보기 595
• 
• 단어의 이러한 벡터 표현과 문서의 테이블 표현이 가진 한 가지 장점은 그 어떤 정보도 소실되지 않는다는 점이다. 각 열이 어떤 단어에 대응되는지에 관한 정보만 유지한다면, 이러한 원핫 벡터들의 테이블로 원래의 문서를 복원할 수 있다. 그리고 이러한 복원 과정은 100% 정확하다. 비록 현재의 토큰 생성기가 우리가 유용하다고 생각하는 수준의 90%의 정확도로만 토큰들을 생성한다고 해도 그렇다. 이런 장점 때문에 신경망, 문장 대 문장 언어 모형, 생성적 언어 모형들에서는 이런 원핫 단어 벡터들을 흔히 사용한다. 원핫 벡터 표현은 원래의 텍스트에 담긴 의미를 고스란히 유지해야 하는 모든 종류의 모형이나 NLP 파이프라인에 적합하다. _45쪽 간단한 검색 엔진들은 바로 이 TF-IDF 수치 하나에 기초한다. 이 수치를 통해 우리는 텍스트(문자열) 처리의 세계에서 수치 연산의 세계로 확실하게 넘어오게 되었다. 다음 절부터는 이 수치로 할 수 있는 계산들을 살펴본다. 사실 여러분이 TF-IDF 계산을 구현하는 코드를 실제로 작성할 일은 거의 없을 것이다. 선형대수를 몰라도 자연어 처리에 쓰이는 도구들을 이해하는 데 크게 문제가 되지는 않는다. 그러긴 하지만, 이런 공식들에 익숙해지면 자연어 처리 도구들을 좀 더 직관적으로 이해하고 사용할 수 있게 된다. _109쪽 LDA 모형의 ‘훈련’에 필요한 것은 이진 부류의 두 무게중심을 잇는 직선을 찾는 것이다. 이번 예제의 분류기는 주어진 단문 문자(SMS) 메시지가 스팸인지 아닌지를 분류한다. 즉, 이진 부류는 ‘스팸’ 대 ‘비스팸’이다. LDA는 지도 학습에 속하므로, 훈련용 문자(SMS) 메시지들에 분류명(class label)을 붙여 두어야 한다. 이러한 모형으로 추론(inference) 또는 예측을 수행하는 방법은 간단하다. 그냥 TF-IDF 벡터가 어느 부류의 무게중심에 더 가까운지 보면 된다. 즉, 만일 TF-IDF 벡터가 스팸 부류 무게중심에 더 가깝다면 그 벡터에 해당하는 메시지는 스팸일 가능성이 크다. _130쪽 이런 과대적합은 NLP의 고질적인 문제이다. 사람들의 다양한 어법과 어휘를 포함하며 응용 분야에 맞는 적절한 분류명이 붙은 자연어 자료 집합을 구하기란 쉽지 않다. 실제로 나는 스패머들이 고안할 만한 모든 스팸성 단어와 비스팸성 단어를 포함한 거대한 문자 메시지 데이터베이스를 구할 수 없었다. 그런 자료 집합을 만들어낼 수 있는 기업은 극히 소수이다. 따라서 우리가 할 수 있는 일은 과대적합을 기정사실로 받아들이고 그에 대한 대응책을 모색하는 것뿐이다. 즉, 적은 수의 훈련 견본으로 모형을 훈련해도 모형이 미지의 견본들에 잘 “일반화되게” 하는 알고리즘을 찾아야 한다. _153쪽 합성곱 필터는 인접한 단어들에서 특정한 패턴을 검출한다. 그리고 단어들의 위치가 조금 변해도 합성곱 신경망의 출력은 크게 영향을 받지 않는다. 중요한 점은, 서로 가까이 있는 개념들이 합성곱 신경망에 큰 영향을 준다는 것이다. 그런데 좀 더 넓은 시야로 텍스트를 바라보고 좀 더 긴 시간 구간에서 단어들 사이의 관계들을 파악하고 싶다면, 그러니까 인접한 토큰 세 개나 네 개보다는 더 큰 구간으로 단어들을 처리하고 싶다면 어떻게 해야 할까? 그러니까 신경망이 “꽤 오래전에 본 단어들”을 고려하게 만들려면, 다시 말해 신경망에 ‘기억’ 능력을 추가하려면 어떻게 해야 할까? _293쪽
• 
• 

• 하네스 막스 하프케, 콜 하워드 [저]

• 류광 [저]

• 1996년부터 활동해 온 프로그래밍 서적 전문 번역가로, Game Programming Gems 시리즈와 컴퓨터 프로그래밍의 예술(The Art of Computer Programming) 제1~4A권, UNIX 고급 프로그래밍(Advanced Programming in UNIX Environment) 제2판과 제3판을 포함하여 60여 권의 다양한 프로그래밍 서적을 번역했다. C++ 관련 번역서로는 일반적 프로그래밍과 STL, C++ Template Metaprogramming, (C++로 배우는) 프로그래밍의 원리와 실제 등이 있다. 수학 관련 번역서로는 《구체 수학》, 《3D 게임 프로그래밍 & 컴퓨터 그래픽을 위한 수학》 제1판·제2판 등이 있고, 심층학습 관련 번역서로는 《인공지능: 현대적 접근방식》 제4판, 《심층학습》, 《신경망과 심층 학습》 등이 있다. 번역과 프로그래밍 외에 소프트웨어 문서화에도 많은 관심이 있으며, 수많은 오픈소스 프로젝트들의 표준 문서 형식으로 쓰이는 DocBook의 국내 사용자 모임인 닥북 한국(http://docbook.kr)의 일원이다. 현재 번역서 정보 사이트 occam’s Razor(http://occamsrazr.net)와 게임 개발 및 개발서 관련 사이트 GpgStudy(http://www.gpgstudy.com)를 운영하고 있다.

• 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.