|
|
|
ÆÄÀÌÅäÄ¡ 1.X·Î ½ÃÀÛÇÏ´Â µö·¯´×
|
|
|
ºñ½´´© ¼öºê¶ó¸¶´Ï¾È, ÀÌÀ籤, ¹æ¿µ±Ô
¤Ó
DK·ÎµåºÏ½º
¤Ó
Deep Learning with PyTorch 1.x - Second Edition
|
|
|
|
- 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.
-
-
-
¡ºÆÄÀÌÅäÄ¡ 1.X·Î ½ÃÀÛÇÏ´Â µö·¯´×¡»Àº ¡´ÆÄÀÌÅäÄ¡ 1.x¿Í ½ÉÃþ ÇнÀ ±¸¼º ¿ä¼Ò¡µ, ¡´½Å°æ¸ÁÀÇ ±¸¼º ¿ä¼Ò¡µ, ¡´½Å°æ¸Á ´õ ±íÀÌ ¾Ë¾Æº¸±â¡µ, ¡´ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇÑ ½ÉÃþ ÇнÀ¡µ µî ÆÄÀÌÅäÄ¡ 1.X·Î ½ÃÀÛÇÏ´Â µö·¯´×¿¡ ´ëÇÑ ±âÃÊÀûÀÌ°í Àü¹ÝÀûÀÎ ³»¿ëÀÌ ¼ö·ÏµÇ¾î ÀÖ´Ù.
-
-
Á¦1ºÎ ÆÄÀÌÅäÄ¡ 1.x¿Í ½ÉÃþ ÇнÀ ±¸¼º ¿ä¼Ò
Á¦1Àå ÆÄÀÌÅäÄ¡·Î ½ÉÃþ ÇнÀ ½ÃÀÛÇϱâ
Àΰø Áö´É Ž±¸ 4
Àΰø Áö´ÉÀÇ ¿ª»ç 4
½ÇÁ¦ÀÇ ±â°è ÇнÀ 4
±×·¡¼, ¿Ö ½ÉÃþ ÇнÀ(DL) Àΰ¡? 5
½ÉÃþ ÇнÀÀÇ ÀÀ¿ë 6
À̹ÌÁöÀÇ ÅؽºÆ® ÀÚµ¿ ¹ø¿ª 6
ÀÚÀ²ÁÖÇà ÀÚµ¿Â÷ÀÇ ¹°Ã¼ °¨Áö 7
½ÉÃþ ÇнÀ ÇÁ·¹ÀÓ¿öÅ© 7
¿Ö ÆÄÀÌÅäÄ¡Àΰ¡? 8
ÆÄÀÌÅäÄ¡ v1.xÀÇ »õ·Î¿î Á¡Àº ¹«¾ùÀΰ¡? 9
CPU ´ë GPU 9
CUDA¶õ ¹«¾ùÀΰ¡? 10
¾î¶² GPU¸¦ »ç¿ëÇØ¾ß Çϴ°¡? 10
GPU°¡ ¾ø´Ù¸é ¾î¶»°Ô ÇØ¾ß Çϴ°¡? 11
ÆÄÀÌÅäÄ¡ v1.x ±¸ÃàÇϱâ 11
ÆÄÀÌÅäÄ¡ ¼³Ä¡Çϱâ 11
¿ä¾à 12
Á¦2Àå ½Å°æ¸ÁÀÇ ±¸¼º ¿ä¼Ò
¹«¾ùÀÌ ½Å°æ¸Á Àΰ¡? 13
½Å°æ¸ÁÀÇ ±¸Á¶ ÀÌÇØÇϱâ 14
ÆÄÀÌÅäÄ¡¿¡¼ ½Å°æ¸Á ±¸ÃàÇϱâ 16
ÆÄÀÌÅäÄ¡ ¼øÂ÷Çü ½Å°æ¸Á 16
nn.ModuleÀ» ÀÌ¿ëÇÑ ÆÄÀÌÅäÄ¡ ½Å°æ¸Á ±¸ÃàÇϱâ 19
ÆÄÀÌÅäÄ¡ ÅÙ¼ ÀÌÇØÇϱâ 23
ÅÙ¼ÀÇ ¸ð¾ç ¹× º¯Çü ÀÌÇØÇϱâ 27
ÅÙ¼ ¿¬»ê ÀÌÇØÇϱâ 29
ÆÄÀÌÅäÄ¡¿¡¼ ÅÙ¼ À¯Çü ÀÌÇØÇϱâ 30
ÆÄÀÌÅäÄ¡ ÅÙ¼·Î µ¥ÀÌÅͼ °¡Á®¿À±â 32
ÆÄÀÌÅäÄ¡¿¡¼ ½Å°æ¸Á ÇнÀÇϱâ 34
¿ä¾à 36
Á¦2ºÎ ½ÉÃþ ÇнÀÀ¸·Î ³ª¾Æ°¡±â
Á¦3Àå ½Å°æ¸Á ´õ ±íÀÌ ¾Ë¾Æº¸±â
½Å°æ¸Á ±¸¼º ¿ä¼Ò¿¡ °üÇØ ±íÀÌ ÀÖ°Ô ¾Ë¾Æº¸±â... 41
·¹À̾î-½Å°æ¸ÁÀÇ ±âº» ºí·Ï 43
ºñ¼±Çü È°¼ºÈ 46
Sigmoid 46
Tanh 47
ReLU 47
Leaky ReLU 48
ÆÄÀÌÅäÄ¡ ºñ¼±Çü È°¼ºÈ 49
½ÉÃþ ÇнÀ ¾Ë°í¸®ÁòÀ» ±¸ÃàÇÏ´Â ÆÄÀÌÅäÄ¡ ¹æ¹ý 49
¿©·¯°¡Áö ½ÉÃþ ÇнÀ ¹®Á¦¸¦ À§ÇÑ ¸ðµ¨ ¾ÆÅ°ÅØó 50
¼Õ½Ç ÇÔ¼ö 51
³×Æ®¿öÅ© ¾ÆÅ°ÅØó ÃÖÀûÈÇϱâ 53
½ÉÃþ ÇнÀÀ» ÀÌ¿ëÇÑ À̹ÌÁö ºÐ·ù 55
ÆÄÀÌÅäÄ¡ ÅÙ¼·Î µ¥ÀÌÅÍ ·ÎµùÇϱâ 58
³×Æ®¿öÅ© ¾ÆÅ°ÅØó ±¸ÃàÇϱâ 61
¸ðµ¨ ÇнÀÇϱâ 63
¿ä¾à 65
Á¦4Àå ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇÑ ½ÉÃþ ÇнÀ
½Å°æ¸Á ¼Ò°³ 68
MNIST-µ¥ÀÌÅÍ °¡Á®¿À±â 69
CNN ¸ðµ¨ óÀ½ºÎÅÍ ±¸ÃàÇϱâ 71
Conv2d 73
Pooling 76
ºñ¼±Çü È°¼ºÈ-ReLU 78
View 79
¸ðµ¨ ÇнÀÇϱâ 81
°³¿Í °í¾çÀÌ ºÐ·ùÇϱâ-óÀ½ºÎÅÍ CNN 84
ÀüÀÌ ÇнÀÀ» ÀÌ¿ëÇÏ¿© °³¿Í °í¾çÀÌ ºÐ·ùÇϱâ 86
VGG16 ¸ðµ¨À» »ý¼ºÇÏ°í ¾Ë¾Æº¸±â 88
·¹ÀÌ¾î °íÁ¤Çϱâ 90
VGG16 ÆÄÀÎÆ©´× Çϱâ 90
VGG16 ¸ðµ¨ ÇнÀÇϱâ 90
Ư¡¿¡ ¹Ì¸® ÇÕ¼º°ö °è»êÇϱâ 94
CNN ¸ðµ¨ÀÇ ÇнÀ ³»¿ë ÀÌÇØÇϱâ 97
Áß°£ ·¹À̾îÀÇ Ãâ·Â ½Ã°¢ÈÇϱâ 97
CNN ·¹À̾îÀÇ °¡ÁßÄ¡ ½Ã°¢È Çϱâ 101
¿ä¾à 101
Á¦5Àå ¼øÂ÷ µ¥ÀÌÅ͸¦ ÀÌ¿ëÇÑ ÀÚ¿¬¾î ó¸®
ÅؽºÆ® µ¥ÀÌÅÍ·Î ÀÛ¾÷Çϱâ 104
ÅäÅ«È 105
N-gram Ç¥Çö 107
º¤ÅÍÈ 108
°¨¼º ºÐ·ù±â¸¦ ±¸ÃàÇÏ¸é¼ ´Ü¾î ÀÓº£µù ÇнÀÇϱâ 112
IMDb µ¥ÀÌÅÍ ´Ù¿î·Îµå ¹× ÅؽºÆ® ÅäÅ«È ¼öÇàÇϱâ 113
Vocabulary ±¸ÃàÇϱâ 115
º¤ÅÍÀÇ ¹èÄ¡ »ý¼ºÇϱâ 117
ÀÓº£µùÀ¸·Î ³×Æ®¿öÅ© ¸ðµ¨ »ý¼ºÇϱâ 119
¸ðµ¨ ÇнÀÇϱâ 120
»çÀü ÇнÀµÈ ´Ü¾î ÀÓº£µù »ç¿ëÇϱâ 122
ÀÓº£µù ´Ù¿î·ÎµåÇϱâ 122
¸ðµ¨¿¡ ÀÓº£µù ºÒ·¯¿À±â 124
ÀÓº£µù ·¹ÀÌ¾î °¡ÁßÄ¡ °íÁ¤Çϱâ 124
¼øȯ ½Å°æ¸Á 125
¿¹Á¦·Î RNNÀÌ ÀÛµ¿ÇÏ´Â ¹æ¹ý ÀÌÇØÇϱâ 126
LSTMÀ» ÀÌ¿ëÇÏ¿© ÅؽºÆ® ºÐ·ù ¹®Á¦ ÇØ°áÇϱâ 130
Àå±â ÀÇÁ¸¼º(Long-term dependency) 130
LSTM ³×Æ®¿öÅ© 130
¼øÂ÷ µ¥ÀÌÅÍ¿¡ ´ëÇÑ ÇÕ¼º°ö ³×Æ®¿öÅ© 137
¼øÂ÷ µ¥ÀÌÅÍ¿¡ ´ëÇÑ ÀÏÂ÷¿ø ÇÕ¼º°ö ÀÌÇØÇϱâ 137
¾ð¾î ¸ðµ¨¸µ 140
»çÀü ÇнÀµÈ ¸ðµ¨ 140
Embeddings from language models 141
Bidirectional Encoder Representations from Transformers 141
Generative Pretrained Transformer 2 142
ÆÄÀÌÅäÄ¡ ±¸Çö 143
¿ä¾à 146
Á¦3ºÎ ½ÉÃþ ÇнÀÀÇ ÃֽŠ¾ÆÅ°ÅØó ÀÌÇØÇϱâ
Á¦6Àå ¿ÀÅäÀÎÄÚ´õ(Autoencoders) ±¸ÇöÇϱâ
¿ÀÅäÀÎÄÚ´õÀÇ ¾îÇø®ÄÉÀÌ¼Ç 150
º¸Æ²³Ø°ú ¼Õ½Ç ÇÔ¼ö 150
ÇÕ¼º°ö ¿ÀÅäÀÎÄÚ´õ 155
³ëÀÌÁîÁ¦°Å(denoising) ¿ÀÅäÀÎÄÚ´õ 157
Variational autoencoders 158
VAE ÇнÀÇϱâ 160
Á¦ÇÑµÈ º¼Ã÷¸¸ ¸Ó½Å(Restricted Boltzmann machines) 164
RBM ÇнÀÇϱâ 167
ÀÌ·ÐÀûÀÎ ¿¹Á¦-RBM Ãßõ ½Ã½ºÅÛ 168
DBN ¾ÆÅ°ÅØó 174
¹Ì¼¼Á¶Á¤ 176
¿ä¾à 176
Á¦7Àå »ý¼ºÀû Àû´ë ½Å°æ¸Á
Neural style transfer 180
µ¥ÀÌÅÍ ·ÎµùÇϱâ 183
VGG ¸ðµ¨ »ý¼ºÇϱâ 184
ÄÜÅÙÃ÷ ¼Õ½Ç 185
½ºÅ¸ÀÏ ¼Õ½Ç 185
¼Õ½Ç ÃßÃâÇϱâ 188
°¢ ·¹À̾îÀÇ ¼Õ½Ç ÇÔ¼ö »ý¼ºÇϱâ 192
ÃÖÀûȱ⠻ý¼ºÇϱâ 192
¸ðµ¨ ÇнÀÇϱâ 192
GAN¿¡ ´ëÇÑ ¼Ò°³ 194
DCGAN 196
»ý¼ºÀÚ ³×Æ®¿öÅ© Á¤ÀÇÇϱâ 197
ÆǺ°ÀÚ ³×Æ®¿öÅ© Á¤ÀÇÇϱâ 202
¼Õ½Ç ¹× ÃÖÀûȱâ Á¤ÀÇÇϱâ 203
ÆǺ°ÀÚ ÈÆ·ÃÇϱâ 204
»ý¼ºÀÚ ³×Æ®¿öÅ© ÈÆ·ÃÇϱâ 205
Àüü ³×Æ®¿öÅ© ÈÆ·ÃÇϱâ 206
»ý¼ºµÈ À̹ÌÁö °Ë»ç 207
¿ä¾à 210
Á¦8Àå ÃֽŠ¾ÆÅ°ÅØó·Î ÀüÀÌ ÇнÀ ¼öÇàÇϱâ
ÃֽŠ³×Æ®¿öÅ© ¾ÆÅ°ÅØóµé 212
ResNet 212
ÀμÁ¼Ç(Inception) 220
Á¶¹ÐÇÏ°Ô ¿¬°áµÈ ÇÕ¼º°ö ³×Æ®¿öÅ© - µ§½º³Ý(DenseNet) 229
_DenseBlock °´Ã¼ 230
_DenseLayer °´Ã¼ 231
µ§½º³Ý ¸ðµ¨ »ý¼ºÇϱâ 233
µ§½º³Ý Ư¡ ÃßÃâÇϱâ 233
µ¥ÀÌÅͼ°ú ·Î´õ »ý¼ºÇϱâ 234
¿ÏÀü ¿¬°á ¸ðµ¨ »ý¼ºÇÏ±â ¹× ÈÆ·ÃÇϱâ 234
¸ðµ¨ ¾Ó»óºí 236
¸ðµ¨ »ý¼ºÇϱâ 238
À̹ÌÁö Ư¡ ÃßÃâÇϱâ 238
µ¥ÀÌÅÍ ·Î´õ¿Í ÇÔ²² Ä¿½ºÅÒ µ¥ÀÌÅͼ »ý¼ºÇϱâ 240
¾Ó»óºí ¸ðµ¨ »ý¼ºÇϱâ 241
¸ðµ¨ ÈÆ·ÃÇÏ±â ¹× °ËÁõÇϱâ 242
ÀÎÄÚ´õ-µðÄÚ´õ ¾ÆÅ°ÅØó 244
ÀÎÄÚ´õ 246
µðÄÚ´õ 246
¾îÅÙ¼Ç(attention)À» °®´Â ÀÎÄÚ´õ-µðÄÚ´õ 246
¿ä¾à 247
Á¦9Àå ½ÉÃþ °È ÇнÀ
RL¿¡ ´ëÇÑ ¼Ò°³ 249
¸ðµ¨ ±â¹Ý(Model-based) RL 251
¸ðµ¨ ÇÁ¸®(Model-free) RL 253
¿Â-Æú¸®½Ã(on-policy)¿Í ¿ÀÇÁ-Æú¸®½Ã(off-policy) ºñ±³Çϱâ 253
Q-learning 254
°¡Ä¡¸¦ ÀÌ¿ëÇÑ ¹æ¹ý 256
°¡Ä¡ ¹Ýº¹ 257
ÄÚµå ¿¹Á¦-°¡Ä¡ ¹Ýº¹ 257
Á¤Ã¥À» ÀÌ¿ëÇÑ ¹æ¹ý 260
Á¤Ã¥ ¹Ýº¹ 261
°¡Ä¡ ¹Ýº¹ VS Á¤Ã¥ ¹Ýº¹ 264
Á¤Ã¥ °æ»ç(Policy gradient) ¾Ë°í¸®Áò 265
Deep Q-networks 271
DQN ¼Õ½Ç ÇÔ¼ö 272
°æÇè Àç»ý(Experience replay) 273
ÄÚµå ¿¹Á¦-DQN 273
Double deep Q-learning 280
Actor-critic ¹æ¹ý 281
ÄÚµå ¿¹Á¦-actor-critic ¸ðµ¨ 283
Asynchronous actor-critic ¾Ë°í¸®Áò 286
½Ç¿ë ¾îÇø®ÄÉÀ̼ǵé 287
¿ä¾à 290
Á¦10Àå ±× ´ÙÀ½Àº?
±× ´ÙÀ½Àº? 291
ÀÌ Ã¥ÀÇ °³¿ä 291
¿¬±¸ ³í¹®À» ÀÐ°í ±¸ÇöÇϱâ 293
´õ ¾Ë¾Æº¼ ¸¸ÇÑ ³»¿ëµé 294
°´Ã¼ °¨Áö 295
À̹ÌÁö ºÐÇÒ 295
ÆÄÀÌÅäÄ¡ÀÇ OpenNMT 297
Allen NLP 297
fast.ai-´Ù½Ã ½Å°æ¸ÁÀÌ ¾î·Æ°Ô ´À²¸Áø´Ù¸é 297
Open neural network exchange 297
ÃֽŠÁ¤º¸¸¦ À¯ÁöÇÒ ¼ö ÀÖ´Â ¹æ¹ý 298
¿ä¾à 298
-
-
-
|
ºñ½´´© ¼öºê¶ó¸¶´Ï¾È [Àú]
|
|
-
´Ù¼öÀÇ ºòµ¥ÀÌÅÍ ºÐ¼® ÇÁ·ÎÁ§Æ®(ÀΰøÁö´É, ¸Ó½Å ·¯´× ¹× µö·¯´×)¿¡¼ ÇÁ·ÎÁ§Æ® ¸®µù, ¼³°è ¹× ±¸Çö ¿ªÇÒÀ» ´ã´çÇß´Ù. ¸Ó½Å ·¯´×, µö·¯´×, ºÐ»ê ȯ°æ ¸Ó½Å ·¯´× ¹× ½Ã°¢È¿¡ Àü¹®¼ºÀ» °®°í ÀÖ´Ù. À¯Åë, ±ÝÀ¶ ¹× ¿©Çà ºÐ¾ß¿¡¼ °æÇèÀ» ½×¾Ò´Ù. ºñÁö´Ï½º, ÀΰøÁö´É ±×¸®°í ¿£Áö´Ï¾î ÆÀ °£ÀÇ ÀÌÇØ¿Í ¼ÒÅëÀ» µ½°í Á¶Á¤ÇÏ´Â µ¥ ´É¼÷ÇÏ´Ù.
-
|
ÀÌÀ籤, ¹æ¿µ±Ô [Àú]
|
|
-
-
-
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. |
|
|
|
|