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%↓)

• 
• 
• 데이터 수집부터 특징 공학, 모델 평가, 배포, 유지보수까지 머신러닝 설루션 구축 모범 사례와 설계 패턴이 가득한 책! 11개 언어로 출판된 베스트셀러 《The Hundred-Page Machine Learning Book》의 저자 안드리 부르코프가 쓴 이 책은 현존하는 인공지능 서적 중 가장 완벽합니다. 확장할 수 있으며 신뢰할 수 있는 머신러닝 설루션을 구축하는 모범 사례와 설계 패턴으로 가득 차 있습니다. 가트너의 머신러닝 개발팀의 리더이기도 한 저자는 15년간 인공지능 관련 문제를 해결한 경험과 함께 업계 리더들의 출판 경험을 바탕으로 이 책을 집필하였습니다. 이 책의 대상 독자 ? 머신러닝 엔지니어링을 공부하는 학생, 데이터 분석가 ? 머신러닝 엔지니어 역할에 관심이 많은 데이터 분석가 ? 자신의 업무 영역을 좀 더 다양한 분야로 넓히려는 머신러닝 엔지니어 ? 머신러닝 엔지니어가 제공하는 모델을 다루는 소프트웨어 아키텍트
• 
• 추천사 xii 옮긴이 머리말 xv 머리말 xvii 베타리더 후기 xix CHAPTER 01 도입 1 1.1 표기법 및 정의 2 1.1.1 자료 구조 2 / 1.1.2 대문자 시그마 표기법 3 1.2 머신러닝이란? 4 1.2.1 지도학습 4 / 1.2.2 비지도학습 6 1.2.3 준지도학습 7 / 1.2.4 강화학습 7 1.3 데이터와 머신러닝 용어 8 1.3.1 직접적/간접적으로 사용하는 데이터 8 / 1.3.2 원시 데이터와 깔끔한 데이터 9 1.3.3 훈련 및 홀드아웃 세트 10 / 1.3.4 기준점 11 1.3.5 머신러닝 파이프라인 11 / 1.3.6 매개변수와 초매개변수 12 1.3.7 분류와 회귀 12 / 1.3.8 모델 기반 학습과 인스턴스 기반 학습 13 1.3.9 얕은 학습과 딥러닝 13 / 1.3.10 훈련과 채점 14 1.4 머신러닝을 사용해야 할 때 14 1.4.1 문제가 너무 복잡해서 코딩으로 해결할 수 없을 때 14 1.4.2 문제가 지속적으로 변할 때 15 1.4.3 지각 문제일 때 15 1.4.4 연구되지 않은 현상일 때 16 1.4.5 문제의 목적이 단순할 때 16 1.4.6 비용 효율적인 경우 17 1.5 머신러닝을 사용하지 말아야 할 때 17 1.6 머신러닝 엔지니어링이란? 18 1.7 머신러닝 프로젝트 수명주기 19 1.8 요약 21 CHAPTER 02 프로젝트 시작 전 23 2.1 머신러...닝 프로젝트의 우선순위 결정 24 2.1.1 머신러닝의 영향 24 / 2.1.2 머신러닝의 비용 24 2.2 머신러닝 프로젝트의 복잡도 추정 26 2.2.1 미리 알 수 없는 것 26 / 2.2.2 문제 단순화 27 2.2.3 비선형적 훈련 진행 27 2.3 머신러닝 프로젝트의 목표 정의 28 2.3.1 모델이 할 수 있는 작업 28 / 2.3.2 성공적인 모델의 속성 29 2.4 머신러닝팀 구성 30 2.4.1 두 가지 개발 문화 30 / 2.4.2 머신러닝팀의 구성원 31 2.5 머신러닝 프로젝트가 실패하는 이유 32 2.5.1 숙련된 개발자 부족 32 / 2.5.2 경영진의 지원 부족 33 2.5.3 데이터 인프라 부족 34 / 2.5.4 데이터 레이블링의 어려움 34 2.5.5 고립된 조직과 협업 부족 35 / 2.5.6 기술적으로 실행 불가능한 프로젝트 35 2.5.7 기술팀과 비즈니스팀 간의 소통 부족 35 2.6 요약 36 CHAPTER 03 데이터 수집 및 준비 39 3.1 데이터에 대한 질문 40 3.1.1 데이터를 구할 수 있는가? 40 / 3.1.2 데이터 세트의 크기가 충분히 큰가? 41 3.1.3 데이터를 사용할 수 있나? 43 / 3.1.4 데이터를 이해할 수 있나? 45 3.1.5 데이터를 신뢰할 수 있나? 45 3.2 일반적인 데이터 관련 문제 47 3.2.1 높은 비용 47 / 3.2.2 품질 불량 49 / 3.2.3 잡음 49 / 3.2.4 편향 50 3.2.5 낮은 예측력 57 / 3.2.6 오래된 견본 58 / 3.2.7 특잇값 59 / 3.2.8 데이터 누출 60 3.3 좋은 데이터란? 61 3.3.1 좋은 데이터는 유익함 61 3.3.2 좋은 데이터는 넓은 적용 범위를 가짐 61 3.3.3 좋은 데이터는 실제 입력을 반영함 61 3.3.4 좋은 데이터는 편향되지 않음 62 3.3.5 좋은 데이터는 피드백 루프의 결과가 아님 62 3.3.6 좋은 데이터의 레이블은 일관됨 62 3.3.7 좋은 데이터는 충분히 큼 63 3.3.8 좋은 데이터 요약 63 3.4 상호 작용 데이터 처리 64 3.5 데이터 누출의 원인 64 3.5.1 목표가 특징의 함수인 경우 65 / 3.5.2 목표가 특징에 숨어 있는 경우 65 3.5.3 미래를 반영하는 특징 66 3.6 데이터 분할 67 3.6.1 분할 중 누출 69 3.7 결측 속성 처리 70 3.7.1 결측값 대체 기술 70 / 3.7.2 대체 중 누출 72 3.8 데이터 증강 72 3.8.1 이미지 데이터 증강 73 / 3.8.2 텍스트 데이터 증강 74 3.9 불균형 데이터 처리 76 3.9.1 오버샘플링 77 / 3.9.2 언더샘플링 77 3.9.3 하이브리드 전략 78 3.10 데이터 샘플링 전략 79 3.10.1 단순 랜덤 샘플링 79 / 3.10.2 체계적인 샘플링 80 3.10.3 계층화된 샘플링 80 3.11 데이터 저장 81 3.11.1 데이터 형식 82 / 3.11.2 데이터 저장소 레벨 83 3.11.3 데이터 버전 관리 85 / 3.11.4 문서화와 메타데이터 87 3.11.5 데이터 수명주기 88 3.12 데이터 처리 모범 사례 88 3.12.1 재현성 88 / 3.12.2 데이터 우선, 알고리즘은 그 다음 89 3.13 요약 89 CHAPTER 04 특징 공학 93 4.1 특징 공학을 사용하는 이유 94 4.2 특징 공학을 사용하는 방법 95 4.2.1 텍스트에 대한 특징 공학 95 / 4.2.2 단어 가방의 작동 원리 98 4.2.3 범주형 특징을 숫자로 변환 98 / 4.2.4 특징 해싱 101 4.2.5 주제 모델링 102 / 4.2.6 시계열 특징 105 / 4.2.7 창의력 활용 108 4.3 특징 쌓기 108 4.3.1 특징 벡터 쌓기 109 / 4.3.2 개별 특징 쌓기 109 4.4 좋은 특징의 특성 111 4.4.1 높은 예측력 111 / 4.4.2 빠른 계산 능력 111 / 4.4.3 신뢰성 111 4.4.4 비상관성 112 / 4.4.5 기타 특성 112 4.5 특징 선택 113 4.5.1 긴 꼬리 자르기 113 / 4.5.2 보루타 114 4.5.3 L1-정규화 117 / 4.5.4 과제별 특징 선택 117 4.6 특징 합성 117 4.6.1 특징 이산화 118 / 4.6.2 관계형 데이터에서 특징 합성 119 4.6.3 데이터로부터 특징 합성 121 / 4.6.4 다른 특징으로부터 특징 합성 121 4.7 데이터를 통한 특징 학습 122 4.7.1 단어 임베딩 122 / 4.7.2 문서 임베딩 124 4.7.3 모든 객체에 대한 임베딩 125 / 4.7.4 임베딩 차원 선택 126 4.8 차원 축소 127 4.8.1 PCA를 통한 빠른 차원 축소 127 / 4.8.2 시각화를 위한 차원 축소 128 4.9 특징 스케일링 128 4.9.1 정규화 129 / 4.9.2 표준화 130 4.10 특징 공학에서 데이터 누출 131 4.10.1 잠재적인 문제 131 / 4.10.2 설루션 131 4.11 특징 저장과 문서화 131 4.11.1 스키마 파일 131 / 4.11.2 특징 저장소 133 4.12 특징 공학 모범 사례 135 4.12.1 여러 가지 간단한 특징 생성 135 / 4.12.2 기존 시스템 재사용 136 4.12.3 필요한 경우에만 식별자를 특징으로 사용 136 / 4.12.4 가능하면 크기를 줄인다 136 4.12.5 계수 사용은 신중하게 137 / 4.12.6 특징은 필요할 때 선택 138 4.12.7 코드 테스트는 주의 깊게 138 / 4.12.8 코드, 모델, 데이터의 동기화 상태 유지 139 4.12.9 특징 추출 코드 분리 139 / 4.12.10 모델과 특징 추출기를 함께 직렬화 139 4.12.11 특징값 기록 139 4.13 요약 140 CHAPTER 05 지도 모델 훈련(1부) 143 5.1 모델 개발을 시작하기 전에 144 5.1.1 스키마 적합성 검증 144 / 5.1.2 달성 가능한 성능 수준 정의 144 5.1.3 성능 지표 선택 145 / 5.1.4 올바른 기준선 선택 145 5.1.5 데이터를 세 개의 세트로 분할 148 / 5.1.6 지도학습의 전제 조건 149 5.2 머신러닝을 위한 레이블 표현 150 5.2.1 다중 클래스 분류 150 / 5.2.2 다중 레이블 분류 151 5.3 학습 알고리즘 선택 151 5.3.1 학습 알고리즘의 주요 특성 152 / 5.3.2 알고리즘 스팟 검사 153 5.4 파이프라인 구축 154 5.5 모델 성능 평가 156 5.5.1 회귀 분석의 성능 지표 156 / 5.5.2 분류의 성능 지표 157 5.5.3 순위를 위한 성능 지표 163 5.6 초매개변수 조정 167 5.6.1 그리드 검색 167 / 5.6.2 랜덤 검색 169 5.6.3 무작위-미세한 검색 170 / 5.6.4 기타 기술 170 5.6.5 교차 검증 170 5.7 얕은 모델 훈련 171 5.7.1 얕은 모델 훈련 전략 171 / 5.7.2 모델 저장 및 복원 172 5.8 편향-분산 간 절충 174 5.8.1 과소적합 174 / 5.8.2 과적합 175 / 5.8.3 절충 176 5.9 정규화 177 5.9.1 L1 및 L2 정규화 178 / 5.9.2 다른 형태의 정규화 179 5.10 요약 179 CHAPTER 06 지도 모델 훈련(2부) 183 6.1 심층 모델 훈련 전략 183 6.1.1 신경망 훈련 전략 184 / 6.1.2 성능 지표 및 비용 함수 185 6.1.3 매개변수 초기화 전략 188 / 6.1.4 최적화 알고리즘 189 6.1.5 학습률 감소 스케줄 192 / 6.1.6 정규화 194 6.1.7 네트워크 크기 검색 및 초매개변수 조정 195 / 6.1.8 다중 입력 처리 198 6.1.9 다중 출력 처리 198 / 6.1.10 전이 학습 199 6.2 모델 쌓기 201 6.2.1 앙상블 학습 유형 201 / 6.2.2 모델 쌓기 알고리즘 202 6.2.3 모델을 쌓을 때 데이터 누출 203 6.3 분포 이동 처리 204 6.3.1 분포 이동 유형 204 / 6.3.2 적대적 검증 204 6.4 불균형 데이터 세트 처리 205 6.4.1 클래스 가중치 205 / 6.4.2 다시 샘플링한 데이터 세트 앙상블 206 6.4.3 기타 기술 207 6.5 모델 교정 207 6.5.1 잘 교정된 모델 208 / 6.5.2 교정 기술 209 6.6 문제 해결 및 오류 분석 210 6.6.1 모델의 성능이 떨어지는 이유 210 / 6.6.2 반복적 모델 개선 211 6.6.3 오류 분석 211 / 6.6.4 복잡한 시스템의 오류 분석 213 6.6.5 부분 지표 사용 215 / 6.6.6 잘못된 레이블 수정 215 6.6.7 추가로 레이블링할 견본 찾기 216 / 6.6.8 딥러닝 문제 해결 216 6.7 모범 사례 218 6.7.1 좋은 모델 제공 218 / 6.7.2 검증된 오픈소스 활용 219 6.7.3 비즈니스별 성능 측정 최적화 219 / 6.7.4 밑바닥부터 개선 219 6.7.5 연속적인 정정 방지 220 / 6.7.6 연속된 모델은 주의해서 사용 220 6.7.7 효율적인 코드 작성, 컴파일, 병렬화 221 6.7.8 최신 데이터와 이전 데이터에 대한 테스트 223 6.7.9 똑똑한 알고리즘보다 더 많은 데이터가 좋음 223 6.7.10 새로운 데이터가 좀 더 좋은 특징보다 뛰어남 224 6.7.11 작은 진전의 수용 224 6.7.12 용이한 재현성 224 6.8 요약 225 CHAPTER 07 모델 평가 229 7.1 오프라인 평가와 온라인 평가 231 7.2 A/B 테스트 233 7.2.1 G-테스트 233 / 7.2.2 Z-테스트 236 7.2.3 결론 및 주의사항 238 7.3 멀티 암드 밴딧 239 7.4 모델 성능에 대한 통계적 한계 242 7.4.1 분류 오류에 대한 통계 구간 243 / 7.4.2 부트스트래핑 통계 구간 244 7.4.3 회귀를 위한 부트스트래핑 예측 구간 245 7.5 테스트 세트 적합성 평가 246 7.5.1 뉴런 커버리지 246 / 7.5.2 돌연변이 테스트 247 7.6 모델 특성 평가 248 7.6.1 강건성 248 / 7.6.2 공정성 249 7.7 요약 250 CHAPTER 08 모델 배포 253 8.1 정적 배포 254 8.2 사용자 기기에 동적 배포 255 8.2.1 모델 매개변수 배포 255 / 8.2.2 직렬화된 객체 배포 255 8.2.3 브라우저에 배포 256 / 8.2.4 장점과 단점 256 8.3 서버에 동적 배포 256 8.3.1 가상 머신에 배포 257 / 8.3.2 컨테이너에 배포 258 8.3.3 서버리스 배포 259 / 8.3.4 모델 스트리밍 261 8.4 배포 전략 264 8.4.1 단일 배포 264 / 8.4.2 자동 배포 265 8.4.3 카나리 배포 265 / 8.4.4 멀티 암드 밴딧 265 8.5 자동화된 배포, 버전 관리, 메타데이터 266 8.5.1 모델에 수반하는 항목 266 / 8.5.2 버전 동기화 266 8.5.3 모델 버전 관리를 위한 메타데이터 267 8.6 모델 배포 모범 사례 268 8.6.1 알고리즘 효율성 268 / 8.6.2 심층 모델 배포 272 8.6.3 캐싱 272 / 8.6.4 모델 및 코드에 대한 전달 형식 273 8.6.5 간단한 모델로 시작 275 / 8.6.6 외부인에 대한 테스트 276 8.7 요약 276 CHAPTER 09 모델 서빙, 모니터링, 유지보수 279 9.1 모델 서빙 런타임의 특성 280 9.1.1 보안 및 정확성 280 / 9.1.2 배포 용이성 280 9.1.3 모델 유효성 보장 281 / 9.1.4 복구 용이성 281 9.1.5 훈련/서빙 왜곡 방지 281 / 9.1.6 숨겨진 피드백 루프 방지 282 9.2 모델 서빙 모드 283 9.2.1 배치 모드 서빙 283 / 9.2.2 인간에 대한 주문형 서빙 283 9.2.3 머신에 대한 주문형 서빙 286 9.3 현실에서의 모델 서빙 287 9.3.1 오류에 대한 대비 287 / 9.3.2 오류 처리 288 9.3.3 변화에 대한 준비 및 대처 290 / 9.3.4 인간 본성에 대한 준비 및 대처 291 9.4 모델 모니터링 293 9.4.1 무엇이 잘못될 수 있는가? 293 / 9.4.2 모니터링 대상 및 방법 294 9.4.3 기록할 내용 297 / 9.4.4 남용 감시 298 9.5 모델 유지보수 299 9.5.1 업데이트 시기 299 / 9.5.2 업데이트 방법 300 9.6 요약 303 CHAPTER 10 결론 307 10.1 핵심 요점 308 10.2 다음에 읽을 내용 312 10.3 감사의 말 313
• 
• 머신러닝 엔지니어링(machine learning engineering, MLE)은 머신러닝과 기존 소프트웨어 엔지니어링의 과학적 원리, 도구, 기술을 통해 복잡한 컴퓨팅 시스템을 설계하고 구축하는 것이다. MLE는 데이터 수집부터 모델 훈련, 제품이나 고객이 모델을 사용할 수 있도록 하는 모든 단계를 포함한다. _18쪽 머신러닝 프로젝트 수명주기에는 1) 목표 정의, 2) 데이터 수집 및 준비, 3) 특징 공학, 4) 모델 훈련, 5) 모델 평가, 6) 모델 배포, 7) 모델 서빙, 8) 모델 모니터링, 9) 모델 유지보수 단계가 있다. _20쪽 머신러닝 프로젝트의 목표는 비즈니스 문제를 해결하거나 해결하는 데 도움이 되는 모델을 구축하는 것이다. 프로젝트 내에서 모델은 종종 입력(또는 여러 입력), 출력(또는 여러 출력)의 구조와 허용 가능한 최소 성능 수준(예측 정확도나 다른 성능 지표로 측정됨)으로 설명되는 블랙박스처럼 보인다. _28쪽 전체 데이터 세트를 훈련, 검증, 테스트 세트로 잘 분할하려면 분할 프로세스가 다음과 같은 몇 가지 조건을 충족해야 한다. 1) 분할 전에 데이터를 랜덤화하고, 2) 원시 데이터를 분할하고, 3) 검증 세트와 테스트 세트는 동일한 분포를 따르고, 4) 누출을 방지한다. _90쪽 모델 개발을 시작하기 전에 몇 가지를 확인하고 결정해야 한다. 우선 데이터가 스키마파일에 정의된 대로 스키마를 준수하는지 확인한다. 그 다음 달성 가능한 성능 수준을 정의하고, 성능 지표를 선택한다. 이상적으로는 모델 성능을 단일 지표로 나타내는 것이 좋다. 또한, 머신러닝 모델을 비교하기 위한 기준점을 제공하는 기준선을 설정하는 것이 중요하다. 마지막으로 데이터를 훈련, 검증, 테스트의 세 세트로 분할한다. _179쪽 멀티 암드 밴딧은 널리 사용되는 또 다른 온라인 모델 평가 기술이다. 모든 모델을 사용자에게 랜덤하게 노출한 다음, 가장 성능이 좋은 모델 하나만 대부분의 시간 동안 서비스를 받을 때까지 성능이 가장 낮은 모델의 노출을 점차 줄여 나간다. _250쪽
• 
• 

• 안드리 부르코프 [저]

• 두 아이의 아빠이자 머신러닝 전문가로 캐나다 퀘벡에 거주하고 있다. 인공지능 전공으로 박사 학위를 받았고, 지난 10여 년간 가트너에서 머신러닝 개발팀을 이끌고 있다. 자연어 처리를 전문 분야로 하면서 얕은 학습과 심층 학습을 통해 프로덕션용 최첨단 다국어 텍스트 추출 및 정규화 시스템 구축 작업을 하고 있다. 또 다른 저서로서 세계 11개국에 수출된 《The Hundred-Page Machine Learning Book》(2019)이 있다.

• 구정회 [저]

• 공학박사. 대학과 대학원에서 전자공학을 전공했다. 삼성전자에서 다양한 연구개발 및 상품화를 경험했고, 지금은 삼성리서치에서 컴퓨터 비전 관련 딥러닝 속에서 하루하루 발견하는 즐거움을 찾는 데 대부분의 시간을 보내고 있다. 《쏙쏙 들어오는 인공지능 알고리즘》(제이펍, 2021)을 번역했다.

• 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.