|
|
|
°æ¿µÇаú ÇÔ²²ÇÏ´Â ÆÄÀ̽ã ÀΰøÁö´É
|
|
|
¹Ú°æ¿í
¤Ó
µå¸²¹Ìµð¾î
|
|
|
|
- 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.
-
-
-
ÆÄÀ̽ãÀ» È¿°úÀûÀ¸·Î ÇнÀÇϱâ À§Çؼ´Â ÆÄÀ̽㠱⺻ ÄÚµù¿¡ ´ëÇÑ ÇнÀ»Ó¸¸ ¾Æ´Ï¶ó °ü·Ã ¶óÀ̺귯¸®µé¿¡ ´ëÇÑ ÇнÀÀÌ µ¿¹ÝµÇ¾î¾ß ÇÏÁö¸¸ ½Ç·Î ¹æ´ëÇÑ ºÐ¾ß¿¡ °ÉÄ£ ¶óÀ̺귯¸®µéÀ» ¾î´À ¹üÀ§±îÁö ÇнÀÇØ¾ß ÇÒ °ÍÀΰ¡ ÇÏ´Â ¹°À½¿¡ ´ëÇÑ ´äÀº ÆÄÀ̽ãÀ» ¾î¶² ºÐ¾ß¿¡¼ ¾î¶² ¸ñÀûÀ¸·Î »ç¿ëÇÏ·Á ÇÏ´ÂÁö
¿¡ µû¶ó °áÁ¤µÇ¾î¾ß ÇÑ´Ù´Â °ÍÀÌ ÀúÀÚµéÀÇ »ý°¢ÀÌ´Ù. ÀÌ Ã¥¿¡¼´Â °æ¿µÇÐ °ü·Ã ¹®Á¦µé¿¡ °ü½ÉÀÌ ±íÀº ÇнÀÀÚµéÀ̳ª ±â¾÷ °æ¿µ °úÁ¤¿¡¼ ºÎµúÄ¡´Â ¹®Á¦µé¿¡ ÆÄÀ̽ãÀ» ÀÀ¿ëÇϱ⸦ ¿øÇÏ´Â µ¶ÀÚµéÀÇ °üÁ¡¿¡ ÃÊÁ¡À» ¸ÂÃß°íÀÚ ÇÑ´Ù. À̸¦ À§Çؼ ÆÄÀ̽㠱⺻ ÄÚµù ¹æ¹ýÀ» Æ÷ÇÔÇÏ¿© matplotlib, Pandas, NumPy, SciPy, Scikit-learn, Pytorch, seaborn, pulp µîÀÇ ¶óÀ̺귯¸®µéÀÇ ±âº»ÀûÀÎ »ç¿ë¹ý¿¡ ´ëÇÑ ÇнÀÀ» ¹ÙÅÁÀ¸·Î °æ¿µÇÐ °ü·Ã ÇнÀÀ̳ª ±â¾÷ °æ¿µ °úÁ¤¿¡¼ÀÇ ¹®Á¦µéÀ» ÇØ°áÇϱâ À§ÇÑ ¹æ¹ýµéÀ» ¼Ò°³Çϱâ·Î ÇÑ´Ù.
-
-
¾î¶°ÇÑ µ¿±â¿¡¼°Ç ÆÄÀ̽㿡 °ü½ÉÀ» °¡Áö°í ÆÄÀ̽ã ÇнÀÀ» ½ÃµµÇØ º» µ¶ÀÚµéÀ̶ó¸é ÆÄÀ̽ãÀÌ ±Íµµ ¹Ý ·Î¼¶À̶ó´Â Àü»êÇÐÀÚ°¡ °³¹ßÇÑ ¡°ÄÄÇ»ÅÍ ÇÁ·Î±×·¡¹Ö ¾ð¾î¡±¶ó´Â °ÍÀ» ¾Ë°Ô µÇ°í ÀÌÈÄ º¯¼ö, ¸®½ºÆ®, if-else ±¸¹®, for ·çÇÁ, ÆÄÀ̽ã ÇÔ¼ö µî ÆÄÀ̽ã ÄÚµù¿¡ ´ëÇÏ¿© °øºÎÇØ º¸¾ÒÀ» °ÍÀÌ´Ù.
±×·±µ¥ ÀÌ·¯ÇÑ ÆÄÀ̽ã ÄÚµù¿¡ ´ëÇÏ¿© ÇнÀÇÏ´Â °úÁ¤¿¡¼ µ¶ÀÚµéÀº Á¡Á¡ ¡°µµ´ëü ÆÄÀ̽ãÀ» ¾îµð¿¡ ½á ¸ÔÀ» ¼ö ÀÖÀ»±î?¡±¶ó´Â ±Ùº»ÀûÀÎ Àǹ®¿¡ ºüÁö°Ô µÈ´Ù. ´ëºÎºÐÀÇ µ¶ÀÚµéÀº ÀÌ Áú¹®¿¡ ´ëÇÑ ´ë´äÀ¸·Î ¡°ÆÄÀ̽ãÀÌ Àç¹ÌÀÖ±â´Â Çѵ¥ ³ª¿¡°Ô´Â º°·Î ¾µ¸ð°¡ ¾ø³×? ¶Ç´Â ¡°³»°¡ ÇÏ°í ½ÍÀº ÀÏÀ» ÇÒ ¼ö ÀÖÀ» Á¤µµ·Î ÆÄÀ̽ã ÄÚµùÀ» ÇÒ ¼ö ÀÖÀ¸·Á¸é ³Ê¹« ¾î·Æ°Ú´Âµ¥¡±¶ó´Â ÆÇ´ÜÀ» ³»¸®°í ´õ ÀÌ»ó ÆÄÀ̽ã ÄÚµù¿¡ ´ëÇÏ¿© °øºÎÇÏ°í ½ÍÁö ¾Ê°Ô µÈ´Ù.
ÀÌ·¯ÇÑ Çö»óÀÌ »ý±â´Â ÀÌÀ¯´Â ¹«¾ùÀϱî? ±×°ÍÀº ÆÄÀ̽ãÀÌ ¡°ÇÁ·Î±×·¡¹Ö ¾ð¾î¡±ÀÎ °ÍÀº ¸ÂÁö¸¸ »ç½Ç Pandas, Numpy, SciPy, Scikit-learn, Pytorch µî°ú °°ÀÌ ¹æ´ëÇÑ °ü·Ã ¶óÀ̺귯¸®µé±îÁöµµ Æ÷ÇÔÇÏ´Â ÀÏÁ¾ÀÇ »ýÅ°è·Î¼ÀÇ ÆÄÀ̽ãÀ» ÀÌÇØÇÏÁö ¸øÇϱ⠶§¹®ÀÌ´Ù.
±×·¯¸é ÆÄÀ̽㠶óÀ̺귯¸®¶õ ¹«¾ùÀΰ¡? ÆÄÀ̽㠶óÀ̺귯¸®´Â ¾î¶² ƯÁ¤ÇÑ ÀÛ¾÷µéÀ» È¿À²ÀûÀ¸·Î ½ÇÇàÇϱâ À§ÇÏ¿© ÆÄÀ̽ãÀ¸·Î ÄÚµùµÇ¾î °³¹ßµÇ¾î ÀÖ´Â ÀÏÁ¾ÀÇ ¸ðµâ ¶Ç´Â ÆÐÅ°Áö¶ó°í ÇÒ ¼ö ÀÖ´Ù. ¿¹¸¦ µé¾î ´ç½ÅÀÌ 2021³â Àü±¹ÀÇ °øµ¿ÁÖÅà ¸Å¸Å 150¸¸ °Ç¿¡ ´ëÇÑ ºòµ¥ÀÌÅ͸¦ °¡Áö°í ÀÖ´Ù°í ÇØ º¸ÀÚ. ÀÌ µ¥ÀÌÅͷκÎÅÍ ¼¿ï½Ã °³²±¸ÀÇ ´ëÇü ¾ÆÆÄÆ®ÀÇ Æò±Õ ¸Å¸Å°¡°ÝÀ» °è»êÇϱâ À§ÇÑ ÆÄÀ̽ã ÄÚµùÀº Àü¹®°¡°¡ ¾Æ´Ï°í¼´Â µµÀúÈ÷ ½ÃµµÁ¶Â÷ ÇØ º¼ ¼ö ¾ø´Â ÄÚµùÀÛ¾÷ÀÌ µÉ °ÍÀÌ´Ù. ±×·±µ¥ Pandas¶ó´Â ¶óÀ̺귯¸®¸¦ ÀÌ¿ëÇϸé 10ÁÙ À̳»ÀÇ °£´ÜÇÑ ÄÚµùÀ¸·Î ÀÌ·± ÀÛ¾÷ÀÌ °¡´ÉÇØ Áö´Â °ÍÀÌ´Ù.
±×·±µ¥ ¸Å¿ì ´Ù¾çÇÑ ÆÄÀ̽㠶óÀ̺귯¸®µéÀÌ Æ¯Á¤ ÀÛ¾÷¿¡ ÀÌ¿ëÇÒ ¼ö ÀÖµµ·Ï ÀÌ¹Ì °³¹ßµÇ¾î ÀÖÀ¸¹Ç·Î ¿ì¸®´Â ±âº»ÀûÀÎ ÆÄÀ̽ã ÄÚµù¿¡ ´ëÇÑ ÇнÀ°ú ´õºÒ¾î ÀÚ½ÅÀÇ µ¿±â³ª ¸ñÀû¿¡ ¸Â´Â ÆÄÀ̽㠶óÀ̺귯¸®µéÀÇ ÄÚµù ¹ýÀ» ÀÍÈûÀ¸·Î½á ¾ÖÃÊ¿¡ ÀÚ½ÅÀÌ ÆÄÀ̽ãÀ» °øºÎÇÏ·Á´ø ¼Ò±âÀÇ ¸ñÀûÀ» ½±°Ô ´Þ¼ºÇÒ ¼ö ÀÖ°Ô µÇ´Â °ÍÀÌ´Ù.
¸¸¾à ´ç½ÅÀÌ º¹ÀâÇÑ ¼öÇÐÀû ¸ðµ¨¸µ°ú °ü·ÃµÈ °æ¿µÇÐ ÁÖÁ¦µéÀ» ÇнÀÇϱâ À§ÇØ ÆÄÀ̽㠰øºÎ¸¦ ÇÏ°íÀÚ ÇÏ´Â ÇлýÀ̶ó¸é ÆÄÀ̽㠱⺻ ÄÚµù°ú ´õºÒ¾î scipy, pulp µî°ú °°Àº ¶óÀ̺귯¸®µéÀ» ÀÌ¿ëÇÑ ÄÚµù ¹ýÀ» ÇнÀÇؾ߸¸ ÇÒ °ÍÀÌ´Ù.
¿¢¼¿°ú °°Àº ½ºÇÁ·¹µå½ÃÆ® ÇüÅÂÀÇ (ºò)µ¥ÀÌÅ͸¦ °¡°øÇϰųª µ¥ÀÌÅÍ¿¡ ³»Æ÷µÈ Á¤º¸¸¦ ÆľÇÇؾ߸¸ ÇÒ ÇÊ¿ä°¡ ÀÖ´Â °æ¿ì¶ó¸é ¹Ýµå½Ã Pandas ÄÚµù¿¡ ´ëÇÑ ÇнÀÀÌ ¼ö¹ÝµÇ¾î¾ß¸¸ ÇÑ´Ù.
ÇÑÆí, °í°´µ¥ÀÌÅͷκÎÅÍ °í°´°ü¸®¸¦ À§ÇÑ Á¤º¸¸¦ ½ÀµæÇÏ°íÀÚ ÇÏ´Â °æ¿ì¶ó¸é Scikit-learn, seaborn µî°ú °°Àº ¶óÀ̺귯¸® ÄÚµù ¹ý¿¡ ¼÷·ÃµÇ¾î¾ß¸¸ ÆÄÀ̽ã ÇнÀÀ¸·ÎºÎÅÍ ¿øÇÏ´Â ÇØ´äÀ» ãÀ» ¼ö ÀÖ°Ô µÉ °ÍÀÌ´Ù.
ÀÎÅͳݻóÀÇ °í°´ °Ô½Ã ±ÛÀ̳ª ´ñ±Û ¶Ç´Â SNS¿¡¼ ƯÁ¤ ´Ü¾î¸¦ Æ÷ÇÔÇÏ´Â ¹®ÀåµéÀ» °Ë»öÇÏ¿© Å©·Ñ¸µÇÏ°íÀÚ ÇÏ´Â °æ¿ì¶ó¸é BeautifulSoup°ú °°Àº ¶óÀ̺귯¸®¸¦ »ç¿ëÇϱâ À§ÇÑ ÄÚµù ¹ý¿¡ Àͼ÷ÇØÁ®¾ß ÇÒ °ÍÀÌ´Ù.
¸¸¾à ±â°èÇнÀ(machine learning)°ú µö·¯´×(deep learning)À» È°¿ëÇÑ ÀΰøÁö´É(Artificial Intelligence, AI)ÀÇ ÀÀ¿ëÀÌ ¸ñÀûÀ̶ó¸é Scikit-learn, Pytorch µîÀÇ ¶óÀ̺귯¸® ÇнÀÀÌ ÇʼöÀûÀÌ´Ù.
ÀÌ·¸µí ÆÄÀ̽ãÀ» Á¦´ë·Î °øºÎÇÏ·Á¸é ¿ì¼± ÆÄÀ̽㠱⺻ ÄÚµù¿¡ ´ëÇÑ ÇнÀÀ» Ãâ¹ßÁ¡À¸·Î ÇÏ¿© ³»°¡ ¿øÇÏ´Â ¿ëµµ³ª ¸ñÀû¿¡ ¸Â´Â ÆÄÀ̽㠶óÀ̺귯¸®µéÀ» ÆľÇÇÏ°í ÀÌ¿¡ ´ëÇÑ ÄÚµù ÇнÀÀÌ ¹Ýµå½Ã µ¿¹ÝµÇ¾î¾ß¸¸ ÇÑ´Ù.
´ç½ÅÀº ´©±¸Àΰ¡¿ä? Çà»ç°¡°ÝÀÇ Å©±â°¡ ÄÝ¿É¼Ç °¡°Ý¿¡ ¹ÌÄ¡´Â ¿µÇâ¿¡ ´ëÇÏ¿© °øºÎÇÏ°í ½ÍÀº ÇлýÀΰ¡¿ä? °ú°Å ...10³â°£ÀÇ ±â¾÷ È°µ¿¿¡¼ »ý±ä ¿¢¼¿ÆÄÀϵéÀ» Çϳª·Î ÇÕÄ¡°í ½ÍÀº°¡¿ä? ¸ÅÃâµ¥ÀÌÅͷκÎÅÍ ½Ã°£´ëº° ¸ÅÃâ »óÀ§ 10°³ Á¦Ç°À» ¾Ë°í ½Í°Å³ª Ã漺°í°´µéÀÇ Æ¯¼ºÀ» ÆľÇÇÏ°íÀÚ ÇÏ´Â »ç¾÷ÀÚÀΰ¡¿ä? ÃּҺлêÆ÷Æ®Æú¸®¿À¸¦ ¾î¶»°Ô ±¸¼ºÇØ¾ß ÇÏ´ÂÁö ¾Ë°í ½ÍÀº°¡¿ä? Àΰø½Å°æ¸Á ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇÏ¿© ÁÖ°¡ ¿¹ÃøÀ» ÇÏ°í ½ÍÀº°¡¿ä?
ÀÌ¿Í °°ÀÌ °æ¿µÇÐ °ü·ÃµÈ ÁÖÁ¦µéÀ» °øºÎÇÏ°í Àְųª ±â¾÷ °æ¿µ°ú °ü·ÃµÈ º¹ÀâÇÑ ÀÇ»ç°áÁ¤ °úÁ¤¿¡ ÆÄÀ̽ãÀ» ¾î¶»°Ô È°¿ëÇÒ ¼ö ÀÖ´ÂÁö °øºÎÇÏ°í ½ÍÀº »ç¶÷À̶ó¸é ¡°°æ¿µÇаú ÇÔ²² ÇÏ´Â ÆÄÀ̽ã ÀΰøÁö´É¡±Àº ¸Å¿ì ÀûÀýÇÑ Áöħ¼ÀÌ¸ç µ¿½Ã¿¡ ÆÄÀ̽㠰øºÎÀÇ ÅºÅºÇÑ ±âÃʸ¦ Á¦°øÇØ ÁÙ ¼ö ÀÖÀ» °ÍÀÌ´Ù.
-
-
1Àå. ÆÄÀ̽㠼³Ä¡¤ý001
1.1 ÆÄÀ̽ã°ú ¾Æ³ªÄÜ´Ù ¤ý 002
1.2 ¾Æ³ªÄÜ´Ù ¼³Ä¡ ¤ý 004
1.3 ¾Æ³ªÄÜ´Ù ÇÁ·ÒÇÁÆ® È°¿ë ¤ý 014
1.4 °¡»óȯ°æ »ý¼º/È°¿ë ¹× ¶óÀ̺귯¸® ¼³Ä¡/Ãß°¡:¾Æ³ªÄÜ´Ù ÇÁ·ÒÇÁÆ® »ç¿ë ¤ý 016
1.5 Jupyter¸¦ ÀÌ¿ëÇÑ ÆÄÀ̽㠽ÇÇà ¤ý 019
1.6 Spyder¸¦ ÀÌ¿ëÇÑ ÆÄÀ̽㠽ÇÇà ¤ý 025
2Àå ÆÄÀ̽㠵¥ÀÌÅÍ¿Í º¯¼ö¤ý034
2.1 ÆÄÀ̽ã ÄÚµù°ú ½ÇÇà ¤ý 034
2.2 ÆÄÀ̽㠵¥ÀÌÅÍÀÇ À¯Çü: ¼ö(Number) ¤ý 039
2.3 ÆÄÀ̽㠵¥ÀÌÅÍÀÇ À¯Çü: ¹®ÀÚ¿(String) ¤ý 042
2.4 ÆÄÀ̽㠵¥ÀÌÅÍÀÇ À¯Çü: ¸®½ºÆ®(List) ¤ý 049
2.5 ÆÄÀ̽㠵¥ÀÌÅÍÀÇ À¯Çü:µñ¼Å³Ê¸®(Dictionary) ¤ý 056
2.6 ÆÄÀ̽㠵¥ÀÌÅÍÀÇ À¯Çü: Æ©ÇÃ(Tuple) ¤ý 057
2.7 ÆÄÀ̽㠵¥ÀÌÅÍÀÇ À¯Çü: ¼¼Æ®(Set) ¤ý 059
3Àå »óȲ¿¡ µû¶ó ´Ù¸¥ ÀÛ¾÷À» Çϱâ À§ÇÑ ÆÄÀ̽ã¤ý066
3.1 if ±¸¹®°ú if-else ±¸¹® ¤ý 068
3.2 if-elif-else ±¸¹® ¤ý 077
3.3 Áßø(nested) if-else ±¸¹® ¤ý 081
4Àå µ¿ÀÏÇÑ ÀÛ¾÷À» ¹Ýº¹Çϱâ À§ÇÑ ÆÄÀ̽ã¤ý100
4.1 for ·çÇÁÀÇ ±¸Á¶¿Í Ÿ°Ù º¯¼öÀÇ È°¿ë ¤ý 104
4.2 Ÿ°Ùº¯¼ö°¡ ·çÇÁȸÂ÷¸¦ Á¶ÀýÇϴµ¥ »ç¿ëµÇ´Â for ·çÇÁ ¤ý 119
4.3 while ·çÇÁ(loop) ¤ý 124
4.4 ¸®½ºÆ®/Æ©ÇÃ/µñ¼Å³Ê¸®ÀÇ »ý¼ºÀ» À§ÇÑ ·çÇÁ È°¿ë ¤ý 126
5Àå ...»ç¿ëºóµµ°¡ ÀæÀº ÀÛ¾÷À» À§ÇÑ ÆÄÀ̽ã¤ý144
5.1 ÆÄÀ̽ã ÇÔ¼öÀÇ Á¤ÀÇ/È£Ãâ(call)/º¹±Í(return) ¤ý 145
5.2 °ª ¹Ýȯ ÇÔ¼ö(Value returning function) ¤ý 159
5.3 main ÇÔ¼öÀÇ È°¿ë ¤ý 172
5.4 ÇÔ¼ö¸¦ ¸Þ´ºÈÇÏ´Â ¹æ¹ý ¤ý 178
5.5 ÇÔ¼öÀÇ ¸ðµâÈ(Modularization) ¤ý 184
6Àå µ¥ÀÌÅÍ¿Í ÇÔ¼ö¸¦ ¹±â À§ÇÑ ÆÄÀ̽ã¤ý204
6.1 Ŭ·¡½º(Class)¿Í °´Ã¼(Object) ¤ý 204
6.2 Ŭ·¡½º(Class)ÀÇ ¸ðµâÈ(modularization) ¤ý 212
6.3 µ¥ÀÌÅÍ ¼Ó¼º °¨Ãß±â (Hiding data attributes) ¤ý 216
6.4 »ó¼Ó (Inheritance) ¤ý 218
7Àå °æ¿µÇÐÀ» À§ÇÑ ³ÑÆÄÀÌ(Numpy)¤ý226
7.1 ³ÑÆÄÀÌ ¹è¿(array) ¤ý 230
7.2 ³ÑÆÄÀÌ ¹è¿¿¡ ´ëÇÑ ¿¬»ê ¤ý 238
7.3 ³ÑÆÄÀ̸¦ ÀÌ¿ëÇÑ ³¼ö»ý¼º ¤ý 255
7.4 ³ÑÆÄÀÌ¿Í ÅõÀÚ°øÇÐ(Investment Engineering) ¤ý 262
8Àå ÆÄÀ̽ã°ú °æ¿µµ¥ÀÌÅÍ °¡°ø¹× ½Ã°¢È¤ý278
8.1 ÆÇ´Ù½º ½Ã¸®Áî(Series)¿Í µ¥ÀÌÅÍÇÁ·¹ÀÓ(Dataframe) ¤ý 280
8.2 ÆÇ´Ù½º¸¦ ÀÌ¿ëÇÑ µ¥ÀÌÅÍ °¡°ø ¤ý 294
8.3 ÆÇ´Ù½º¸¦ ÀÌ¿ëÇѱâ¼ú Åë°è·® ¿¬»ê ¤ý 315
8.4 ÆÇ´Ù½º¸¦ ÀÌ¿ëÇÑ µµ¼öºÐÆ÷Ç¥¿Í ºÐ·ùÇ¥ ÀÛ¼º ¤ý 320
8.5 ½Ãº»À» ÀÌ¿ëÇÑ ÀÚ·á½Ã°¢È(data visualization) ¤ý 326
9Àå ÆÄÀ̽ã°ú ±â¾÷°æ¿µ¤ý346
9.1 ±â¾÷ÀÇ ¸¶ÄÉÆà °ü¸® ¹× ¸¶ÄÉÆà Àü·« ¤ý 346
9.2 ±â¾÷ÀÇ »ý»ê¡¤¿î¿µ Àü·« ¤ý 358
9.3 ÅõÀÚ°øÇÐ ¤ý 364
10Àå ÆÄÀ̽ã°ú ±ÝÀ¶/ÅõÀÚ ·Îº¸-¾îµå¹ÙÀÌÀú:ÁÖ°¡¿¹Ãø ¾Ë°í¸®Áò¤ý378
10.1 ±ÝÀ¶/ÅõÀÚ ·Îº¸-¾îµå¹ÙÀÌÀú ÇÁ·Î¼¼½º ¤ý 379
10.2 Æ÷°ýÀûÀÎ ÀÚ»êºÎä°ü¸®¸¦ À§ÇÑ ·Îº¸-¾îµå¹ÙÀÌÀú ¤ý 384
10.3 ÁÖ°¡ ¿¹ÃøÀ» À§ÇÑ ½Å°æ¸Á(Neural network)¾Ë°í¸®Áò ¤ý 386
-
-
|
¹Ú°æ¿í [Àú]
|
|
-
´ëÇ¥ÀÛÀ¸·Î ¡º°æ¿µÇаú ÇÔ²²ÇÏ´Â ÆÄÀ̽ã ÀΰøÁö´É¡»ÀÌ/°¡ ÀÖ´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. |
|
|
|
|