>
>
>
ÆÄÀ̽ãÀ¸·Î ¹è¿ì´Â ´ë±Ô¸ð ¸Ó½Å ·¯´× : ´ë±Ô¸ð µ¥ÀÌÅÍ ºÐ¼®°ú 󸮸¦ À§ÇÑ ´Ù¾çÇÑ ¸Ó½Å ·¯´× ±â¹ý È°¿ë
acorn PACKT1 ¤Ó ¹Ù½ºÆ¼¾Ó ½º¾ßµò(Bastiaan Sjardin), À̹ÌÁ¤ ¤Ó ¿¡ÀÌÄÜÃâÆÇ ¤Ó Large Scale Machine Learning with Python
  • Á¤°¡
35,000¿ø
  • ÆǸŰ¡
31,500¿ø (10% ¡é, 3,500¿ø ¡é)
  • ¹ßÇàÀÏ
2017³â 07¿ù 10ÀÏ
  • ÆäÀÌÁö¼ö/Å©±â/¹«°Ô
528page/189*235*29/996g
  • ISBN
9791161750224/1161750223
  • ¹è¼Ûºñ
¹«·á¹è¼Û
  • ¹è¼Û¿¹Á¤ÀÏ
04/01(¿ù) ¹è¼Û¿Ï·á¿¹Á¤
  • Çö º¸À¯Àç°í
100 ±Ç ÀÌ»ó
  • ÁÖ¹®¼ö·®
±Ç
  • ¹Ù·Î±¸¸Å ºÏÄ«Æ®´ã±â
  • 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.
  • ½Ã¸®Áî µµ¼­
acorn PACKT(ÃÑ223°Ç)
Go ¸¶½ºÅÍÇϱâ : ½Ç½À ¿¹Á¦¿Í ÇÔ²² ¹è¿ì´Â ³×Æ®¿öÅ©, µ¿½Ã¼º, Å×½ºÆ®, gRPC ¹× Á¦³×¸¯     40,500¿ø (10%¡é)
ÇÙ½ÉÀ» Á¤¸®ÇÑ Swift 3 : ±âº» ¹®¹ýºÎÅÍ ¿É¼Å³Î, Ŭ·ÎÀú, µ¿½Ã¼º°ú º´·Ä¼º±îÁö     27,000¿ø (10%¡é)
ÇÔ¼öÇü ÆÄÀ̽ã ÇÁ·Î±×·¡¹Ö : ÆÄÀ̽ãÀ¸·Î ¹è¿ì´Â ½¬¿î ÇÔ¼öÇü ÇÁ·Î±×·¡¹Ö     27,000¿ø (10%¡é)
ÇÏÀ̺ê ÇÙ½ÉÁ¤¸® : ÇÏµÓ ±â¹Ý ´ë¿ë·® µ¥ÀÌÅÍ ÀúÀå, °ü¸®ÀÇ ÇÙ½É ¼Ö·ç¼Ç     18,000¿ø (10%¡é)
µû¶óÇÏ¸ç ¹è¿ì´Â ÇϵӰú ºòµ¥ÀÌÅÍ ºÐ¼® ½Ç¹«     27,000¿ø (10%¡é)
  • »ó¼¼Á¤º¸
  • ¡ºÆÄÀ̽ãÀ¸·Î ¹è¿ì´Â ´ë±Ô¸ð ¸Ó½Å ·¯´×¡»Àº ÆÄÀ̽ãÀ» È°¿ëÇØ ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®¿¡ ¸Ó½Å ·¯´×À» Àû¿ëÇÏ´Â ¹æ¹ýÀ» ¾È³»ÇÑ´Ù. ½ÇÁ¦ ÆÄÀ̽ã Äڵ带 ÀÌ¿ëÇØ ÇöÀç °¡Àå ¸¹ÀÌ »ç¿ëµÇ´Â ¸Ó½Å ·¯´× ±â¹ýµé°ú ÇÁ·¹ÀÓ¿öÅ©·Î ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®¸¦ ó¸®ÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÏ°í ÀÖ´Ù. ±âº»ÀûÀ¸·Î ÆÄÀ̽㠹®¹ý°ú ¸Ó½Å ·¯´× °³³äÀ» ¾î´À Á¤µµ ¼÷ÁöÇÑ Áß±Þ µ¶ÀÚ¸¦ À§ÇÑ Ã¥À¸·Î, Åë°è¿Í ¼öÇп¡ ´ëÇÑ ½Ç¹« Áö½ÄÀÌ ÀÖ´Ù¸é ´õ¿í ÀÌÇØÇϱ⠽¬¿ï °ÍÀÌ´Ù. ¸Ó½Å ·¯´× ºÐ¾ß¿¡¼­ ¾ð±ÞµÇ´Â ÁÖ¿ä °³³ä, ÇÁ·¹ÀÓ¿öÅ©, ¾Ë°í¸®Áò, Åø µîÀ» ÀûÀýÇÏ°Ô »ç¿ëÇÏ´Â ¿¹¸¦ Á¦½ÃÇÑ´Ù.
  • ¡Ú ÀÌ Ã¥¿¡¼­ ´Ù·ç´Â ³»¿ë ¡Ú ¡á È®À强ÀÌ ¶Ù¾î³­ ¸Ó½Å ·¯´× ¾Ë°í¸®Áò Àû¿ë ¹æ¹ý ¡á ÃֽŠ¸Ó½Å ·¯´× ±â¹ý È°¿ë ¡á µö·¯´×°ú È®Àå °¡´ÉÇÑ µ¥ÀÌÅÍ Ã³¸® ±â¹ýÀ» È°¿ëÇÑ ¿¹Ãø Á¤È®µµ Çâ»ó ¡á ½ºÆÄÅ©¿¡¼­ ¸Ê¸®µà½º ÇÁ·¹ÀÓ¿öÅ© È°¿ë ¡á ½ºÆÄÅ© ¹× ÇϵÓÀ» È°¿ëÇÑ È¿°úÀûÀÎ ¸Ó½Å ·¯´× ¾Ë°í¸®Áò Àû¿ë ¹æ¹ý ¡á °­·ÂÇÑ ´ë±Ô¸ð ¾Ó»óºí »ý¼º ¡á µ¥ÀÌÅÍ ½ºÆ®¸²À» »ç¿ëÇØ ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®¿¡¼­ ¼±Çü ¹× ºñ¼±Çü ¿¹Ãø ¸ðµ¨ ÇнÀ ¡Ú ÀÌ Ã¥ÀÇ ´ë»ó µ¶ÀÚ ¡Ú µ¥ÀÌÅÍ °úÇÐ ºÐ¾ßÀÇ ½Ç¹«ÀÚ, °³¹ßÀÚ, ±×¸®°í Å©°í º¹ÀâÇÑ µ¥ÀÌÅÍ ¼¼Æ®¸¦ ´Ù·ç·Á´Â ¸ðµç »ç¶÷µé¿¡°Ô ÀûÇÕÇÏ´Ù. °¡´ÉÇÑ ÇÑ ¸¹Àº µ¶ÀÚµéÀ» ´ë»óÀ¸·Î ÇÏ·Á°í ³ë·ÂÇß´Ù. ±×·¯³ª ÀÌ Ã¥ÀÌ ´Ù·ç´Â ÁÖÁ¦°¡ »ó´çÈ÷ °í±Þ °úÁ¤À̶ó´Â Á¡À» °¨¾ÈÇßÀ» ¶§ °­Á¦ »çÇ×Àº ¾Æ´ÏÁö¸¸ ºÐ·ù, ȸ±Í, ¿ÀÂ÷ ÃÖ¼ÒÈ­ ÇÔ¼ö, ±³Â÷ °ËÁõ °°Àº ±âº»ÀûÀÎ ¸Ó½Å ·¯´×ÀÇ °³³ä¿¡ Àͼ÷ÇÒ °ÍÀ» ±ÇÀåÇÑ´Ù. ¶ÇÇÑ ÀÌ Ã¥¿¡¼­ Á¦¾ÈÇÏ´Â ´Ù¾çÇÑ ÇØ°á ¹æ½ÄÀÇ °³³äÀ» ÀÌÇØÇϱâ À§ÇØ ÀÏÁ¤ ¼öÁØ ÀÌ»óÀÇ ¼öÇÐ Áö½Ä°ú ÇÔ²² ÆÄÀ̽ã, ÁÖÇÇÅÍ ³ëÆ®ºÏ ¹× ¸í·ÉÇà ½ÇÇà¿¡ ¾î´À Á¤µµ °æÇèÀÌ ÀÖ´Â µ¶ÀÚ¸¦ °¡Á¤Çß´Ù. ÄÚµå´Â ´Ù¸¥ ¾ð¾î(R, Java ¹× MATLAB) ÇÁ·Î±×·¡¸Ó°¡ µû¶ó°¥ ¼ö ÀÖ´Â ¾ç½ÄÀ¸·Î ÀÛ¼ºÇß´Ù. ÀÌ·ÐÀûÀ¸·Î´Â ¸Ó½Å ·¯´×¿¡ Àͼ÷Çϸç, ÄÄÇ»ÅÍ ¿¬»ê, ¸Þ¸ð¸® ¹× I/O ¼º´É ¹®Á¦·Î ÆÄÀ̽ãÀ» È°¿ëÇØ R ¶Ç´Â MATLAB °°Àº ´Ù¸¥ ¾ð¾î¸¦ ´Ù·ç´Â °Í¿¡ °ü½ÉÀÌ ÀÖ´Â µ¥ÀÌÅÍ °úÇÐÀÚ¿¡°Ô ÀûÇÕÇÏ´Ù(±×·¯³ª ÀÌ¿¡ ±¹ÇѵÇÁö´Â ¾Ê´Â´Ù). ¡Ú ÀÌ Ã¥ÀÇ ±¸¼º ¡Ú 1Àå, ¡®È®À强À» ÇâÇÑ Ã¹ °ÉÀ½¡¯¿¡¼­´Â ¸Ó½Å ·¯´×À» È®ÀåÇÏ´Â ¹®Á¦¸¦ Á¤È®ÇÑ °üÁ¡¿¡¼­ ¼³Á¤ÇÏ°í, »ç¿ëÇÒ µµ±¸¿¡ Àͼ÷ÇØÁöµµ·Ï ¾È³»ÇÑ´Ù. 2Àå, ¡®Scikit-learnÀ¸·Î È®Àå °¡´ÉÇÑ ÇнÀ¡¯¿¡¼­´Â ¸Þ¸ð¸® ¼Òºñ°¡ ÀûÀº È®·üÀû °æ»ç ÇÏ°­¹ý(Stochastic gradient descent, SGD)¿¡ ´ëÇÑ Àü·«À» ¼³¸íÇÑ´Ù. À̵éÀº Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â out-of-core ÇнÀÀ» ±â¹ÝÀ¸·Î ÇÑ´Ù. ¶ÇÇÑ ÇØ½Ì ±â¹ýó·³ ´Ù¾çÇÑ µ¥ÀÌÅ͸¦ ó¸®ÇÒ ¼ö ÀÖ´Â µ¥ÀÌÅÍ Àüó¸® ±â¼úµµ ´Ù·ê °ÍÀÌ´Ù. 3Àå, ¡®ºü¸¥ SVM ±¸Çöü¡¯¿¡¼­´Â ¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å(support vector machines) ÇüÅ·Πºñ¼±Çü¼ºÀ» ã¾Æ³¾ ¼ö ÀÖ´Â ½ºÆ®¸®¹Ö ¾Ë°í¸®ÁòÀ» ´Ù·é´Ù. LIBLINEAR ¹× Vowpal Wabbit °°Àº Scikit-learnÀÇ ´ë¾ÈÀ» Á¦½ÃÇÒ °ÍÀÌ´Ù. À̵éÀº ¿ÜºÎ ¼Ð ¸í·ÉÀ¸·Î µ¿ÀÛÇÏÁö¸¸, ÆÄÀ̽㠽ºÅ©¸³Æ®·Î ½±°Ô ·¡Çεǰí È£ÃâµÉ ¼ö ÀÖ´Ù. 4Àå, ¡®½Å°æ¸Á°ú µö·¯´×¡¯¿¡¼­´Â H2O¸¦ È°¿ëÇÑ ´ë±Ô¸ð ¾ÖÇø®ÄÉÀ̼ǰú ÇÔ²² Theano ÇÁ·¹ÀÓ¿öÅ©¿¡¼­ ½ÉÃþ ½Å°æ¸ÁÀ» Àû¿ëÇÏ´Â À¯¿ëÇÑ ¹æ¹ýµéÀ» ¼Ò°³ÇÑ´Ù. ÁÖ¸ñ ¹Þ´Â ¹æ¹ýÀ» ¼º°øÀûÀ¸·Î Àû¿ëÇÏ´Â °Í°ú È®Àå °¡´ÉÇÑ ¼Ö·ç¼ÇÀ¸·Î Á¦°øÇÏ´Â °ÍÀº ¶Ç ´Ù¸¥ ¹®Á¦ÀÏ ¼ö ÀÖ´Ù. theanets ÆÐÅ°Áö·Î ¿ÀÅäÀÎÄÚ´õ¸¦ ÅëÇÑ ºñÁöµµ »çÀü ÈÆ·Ã ¹æ¹ýµµ »ç¿ëÇÒ °ÍÀÌ´Ù. 5Àå, ¡®ÅÙ¼­Ç÷θ¦ È°¿ëÇÑ µö·¯´×¡¯¿¡¼­´Â ½Å°æ¸ÁÀ» À§ÇÑ ¿Â¶óÀÎ ¹æ¹ý°ú ÇÔ²² ÁÖ¸ñ ¹Þ´Â µö·¯´× ±â¹ýµéÀ» ´Ù·é´Ù. ÇöÀç ÅÙ¼­Ç÷δ Ãʱ⠴ܰ迡 ºÒ°úÇÏÁö¸¸, ÇÁ·¹ÀÓ¿öÅ©°¡ Á¦°øÇÏ´Â ¸Ó½Å ·¯´× ¹æ¹ýÀº ¸íÄèÇÏ´Ù. ÅÙ¼­Ç÷Πȯ°æ¿¡¼­ Äɶ󽺸¦ »ç¿ëÇÑ ÇÕ¼º°ö ½Å°æ¸Á(Convolutional Neural Networks)µµ È°¿ëÇÒ °ÍÀÌ´Ù. 6Àå, ¡®ºÐ·ù¿Í ȸ±Í Æ®¸® È®À塯¿¡¼­´Â ·£´ý Æ÷·¹½ºÆ®(random forest), °æ»ç ºÎ½ºÆÃ(gradient boosting), XGboost¸¦ È®ÀåÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. ºÐ·ù ¹× ȸ±Í Æ®¸®ÀÇ ¾à¾îÀÎ CART´Â ÀϹÝÀûÀ¸·Î ¾Ó»óºí ¹æ½ÄÀÇ ÇÁ·¹ÀÓ¿öÅ©¿¡ Àû¿ëµÇ´Â ¸Ó½Å ·¯´× ±â¹ýÀÌ´Ù. ¶ÇÇÑ H2O¸¦ »ç¿ëÇÏ´Â ´ë±Ô¸ð ¾ÖÇø®ÄÉÀ̼ÇÀÇ ¿¹¸¦ Á¦½ÃÇÒ °ÍÀÌ´Ù. 7Àå, ¡®´ë±Ô¸ð µ¥ÀÌÅÍ¿¡ ´ëÇÑ ºñÁöµµ ÇнÀ¡¯¿¡¼­´Â ºñÁöµµ ÇнÀÀ» ÀÚ¼¼È÷ »ìÆ캸´Â °ÍÀº ¹°·Ð PCA, Ŭ·¯½ºÅÍ ºÐ¼®, ÁÖÁ¦ ¸ðµ¨¸µ°ú À̵éÀ» È®ÀåÇÏ´Â ¿Ã¹Ù¸¥ Á¢±Ù ...
  • 1Àå. È®À强À» ÇâÇÑ Ã¹°ÉÀ½ __È®À强¿¡ ´ëÇÑ ÀÚ¼¼ÇÑ ¼³¸í ____´ë±Ô¸ð °´Ã¼ »ý¼ºÇϱâ ____ÆÄÀ̽㠼Ұ³ ____ÆÄÀ̽ãÀ» ÅëÇÑ ½ºÄÉÀÏ ¾÷ ____ÆÄÀ̽ãÀ» ÅëÇÑ ½ºÄÉÀÏ ¾Æ¿ô __´ë±Ô¸ð ¸Ó½Å ·¯´×À» À§ÇÑ ÆÄÀ̽ã ____ÆÄÀ̽ã 2¿Í ÆÄÀ̽ã 3 Áß ¾î´À °ÍÀ» ¼±ÅÃÇÒ °ÍÀΰ¡? ____ÆÄÀ̽㠼³Ä¡ ____´Ü°èÀû ¼³Ä¡ ____ÆÐÅ°Áö ¼³Ä¡ ____ÆÐÅ°Áö ¾÷±×·¹À̵å ____°úÇÐ¿ë ¹èÆ÷ÆÇ ____ÁÖÇÇÅÍ / IPython ¼Ò°³ __ÆÄÀ̽ã ÆÐÅ°Áö ____NumPy ____SciPy ____Pandas ____Scikit-learn __¿ä¾à 2Àå. Scikit-learnÀ¸·Î È®Àå °¡´ÉÇÑ ÇнÀ __Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â ÇнÀ(Out-of-core learning) ____½ÇÇà °¡´ÉÇÑ ¹æ¹ýÀ¸·Î¼­ ÀçÇ¥º»ÃßÃâ ____ÇÑ ¹ø¿¡ ÇϳªÀÇ °´Ã¼¸¸À¸·Î ÃÖÀûÈ­¸¦ ÇÏ´Â ¹æ¹ý ____Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â(out-of-core) ÇнÀ ½Ã½ºÅÛ ±¸Ãà __¼Ò½º·ÎºÎÅÍ µ¥ÀÌÅ͸¦ ½ºÆ®¸®¹ÖÇϱâ ____Çö½ÇÀ» ¹Ý¿µÇÏ´Â µ¥ÀÌÅÍ ¼¼Æ® ____ù ¹ø° ¿¹Á¦ - ÀÚÀü°Å ´ë¿© µ¥ÀÌÅÍ ¼¼Æ® ½ºÆ®¸®¹ÖÇϱâ __È®·üÀû ÇнÀ(Stochastic learning) ____¹èÄ¡ °æ»ç ÇÏ°­¹ý(Batch gradient descent) ____È®·üÀû °æ»ç ÇÏ°­¹ý ____Scikit-learnÀÇ SGD ±¸Çöü ____SGD ÇнÀ ÆĶó¹ÌÅÍ Á¤ÀÇÇϱâ __µ¥ÀÌÅÍ ½ºÆ®¸²À» ...
  • ¹Ù½ºÆ¼¾Ó ½º¾ßµò(Bastiaan Sjardin) [Àú]
  • ÀΰøÁö´É ¹× ¼öÇÐÀ» Àü°øÇÑ µ¥ÀÌÅÍ °úÇÐÀÚÀÌÀÚ ½ºÅ¸Æ®¾÷ â¾÷ÀÚ´Ù. ·¹ÀÌ´ø ´ëÇÐ(University of Leiden)¿¡¼­ ¸Å»çÃß¼¼Ã÷ °ø°ú´ëÇÐ(MIT) Ä·ÆÛ½º °úÁ¤À» À̼öÇÏ°í ÀÎÁö °úÇÐ(cognitive science) ºÐ¾ß¿¡¼­ ¼®»çÇÐÀ§¸¦ ÃëµæÇß´Ù. Áö³­ 5³â µ¿¾È ±¤¹üÀ§ÇÑ µ¥ÀÌÅÍ °úÇÐ ¹× ÀΰøÁö´É ÇÁ·ÎÁ§Æ®¸¦ ¼öÇàÇß´Ù. ÄÚ¼¼¶ó(Coursera)¿¡¼­ ÁøÇàµÇ´Â ¹Ì½Ã°£´ëÇÐ(University of Michigan) ¼Ò¼È ³×Æ®¿öÅ© ºÐ¼® °úÁ¤°ú Á¸½ºÈ©Å²½º ´ëÇб³(Johns Hopkins University) ¸Ó½Å ·¯´× °úÁ¤ÀÇ TA¸¦ ´ã´çÇÏ°í ÀÖ´Ù. ¼±È£ÇÏ´Â ÇÁ·Î±×·¡¹Ö ¾ð¾î´Â ÆÄÀ̽ã°ú RÀÌ´Ù. ÇöÀç ¸Ó½Å ·¯´× ¹× ÀΰøÁö´É ¾ÖÇø®ÄÉÀ̼ÇÀ» ´ë±Ô¸ð·Î Á¦°øÇÏ´Â Quandbee(http://www.quandbee.com/)ÀÇ °øµ¿ â¾÷ÀڷΠȸ»ç¸¦ À̲ø°í ÀÖ´Ù.
  • À̹ÌÁ¤ [Àú]
  • ¼º±Õ°ü´ë ÀüÀÚÀü±â ÄÄÇ»ÅÍ°øÇкθ¦ Á¹¾÷ÇÏ°í, Çѵ¿´ëÇб³ Á¤º¸Åë½Å°øÇÐ ¼®»çÇÐÀ§¸¦ À̼öÇß´Ù. »ï¼ºÀüÀÚ LSI »ç¾÷ºÎ ±â¼ú°³¹ß½Ç¿¡ ±Ù¹«ÇßÀ¸¸ç, ¿À¶óŬ ¹Ìµé¿þ¾î »ç¾÷ºÎ¿¡¼­ ÄÁ¼³ÅÏÆ®·Î È°µ¿Çß´Ù. ÇöÀç´Â MDS Å×Å©³î·ÎÁö¿¡¼­ ¼¼ÀÏÁî ¿£Áö´Ï¾î·Î ÀçÁ÷ ÁßÀÌ´Ù. ¿¡ÀÌÄÜÃâÆǻ翡¼­ Ãâ°£ÇÑ [Pig¸¦ ÀÌ¿ëÇÑ ºòµ¥ÀÌÅÍ Ã³¸® ÆÐÅÏ](2014), [Splunk 6 ÇÙ½É ±â¼ú](2015), [ºòµ¥ÀÌÅÍ ¸¶ÀÌ´×(2017)]À» ¹ø¿ªÇß´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.
  • 0°³
  • 0°³