|
|
|
PythonÀ» ÀÌ¿ëÇÑ °³ÀÎÈ Ãßõ ½Ã½ºÅÛ
|
|
|
ÀÓÀÏ
¤Ó
û¶÷
|
|
|
|
- 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.
-
-
-
ÀÌ Ã¥ÀÇ °¡Àå Áß¿äÇÑ ¸ñÀûÀº µ¶ÀÚµéÀÌ ÁÖ¿ä °³ÀÎÈ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ ÀÌÇØÇϵµ·Ï ÇÏ´Â °ÍÀÌ´Ù. À̸¦ À§ÇØ ÀÌ Ã¥¿¡¼´Â °³ÀÎÈ Ãßõ ±â¼úÀÇ Àü¹ÝÀûÀÎ ³»¿ë, ±×Áß¿¡¼µµ ƯÈ÷ ¿¬¼Ó°ªÀ» »ç¿ëÇÏ´Â °³ÀÎÈ Ãßõ ±â¼úÀ» ´Ù·é´Ù. ±¸Ã¼ÀûÀ¸·Î´Â Çù¾÷ ÇÊÅ͸µ(collaborative filtering), Çà·Ä¿äÀÎÈ(matrix factorization), Factorization Machines(FM), ±×¸®°í µö·¯´×(deep learning) Ãßõ ¾Ë°í¸®Áò µî¿¡ ´ëÇØ ´Ù·é´Ù. ¶ÇÇÑ ´Ù¼öÀÇ Ãßõ ¾Ë°í¸®ÁòÀ» °áÇÕÇÑ ÇÏÀ̺긮µå(hybrid) Ãßõ ½Ã½ºÅÛ µî¿¡ ´ëÇؼµµ ¼³¸íÇÑ´Ù. ÀÌ Ã¥¿¡¼´Â °¢ ¾Ë°í¸®Áòº°·Î ±âº» ¿ø¸®¿¡ ´ëÇÑ ¼³¸í°ú °¢ ¾Ë°í¸®ÁòÀÌ PythonÀ¸·Î ¾î¶»°Ô ±¸ÇöµÉ ¼ö ÀÖ´ÂÁö¸¦ ¿¹¸¦ ÅëÇؼ º¸¿©ÁÖ°í ÀÖ´Ù. ÀÌ Ã¥À» ¼ø¼´ë·Î µû¶ó°¡¸é °³ÀÎÈ Ãßõ ½Ã½ºÅÛÀÇ ´Ù¾çÇÑ ¾Ë°í¸®Áò¿¡ ´ëÇÑ ±âº»ÀûÀÎ ¿ø¸®¸¦ ÀÌÇØÇÒ ¼ö ÀÖÀ» °ÍÀÌ´Ù.
-
-
Chapter 1 Ãßõ ½Ã½ºÅÛ ¼Ò°³
1.1 ÁÖ¿ä Ãßõ ¾Ë°í¸®Áò
1.2 Ãßõ ½Ã½ºÅÛ Àû¿ë »ç·Ê
Chapter 2 ±âº»ÀûÀÎ Ãßõ ½Ã½ºÅÛ
2.1 µ¥ÀÌÅÍ Àбâ
2.2 ÀαâÁ¦Ç° ¹æ½Ä
2.3 Ãßõ ½Ã½ºÅÛÀÇ Á¤È®µµ ÃøÁ¤
2.4 »ç¿ëÀÚ Áý´Üº° Ãßõ
2.5 ³»¿ë ±â¹Ý ÇÊÅ͸µ Ãßõ
Chapter 3 Çù¾÷ ÇÊÅ͸µ Ãßõ ½Ã½ºÅÛ
3.1 Çù¾÷ ÇÊÅ͸µÀÇ ¿ø¸®
3.2 À¯»çµµÁöÇ¥
3.3 ±âº» CF ¾Ë°í¸®Áò
3.4 ÀÌ¿ôÀ» °í·ÁÇÑ CF
3.5 ÃÖÀûÀÇ ÀÌ¿ô Å©±â °áÁ¤
3.6 »ç¿ëÀÚÀÇ Æò°¡°æÇâÀ» °í·ÁÇÑ CF
3.7 ±× ¿ÜÀÇ CF Á¤È®µµ °³¼± ¹æ¹ý
3.8 »ç¿ëÀÚ ±â¹Ý CF¿Í ¾ÆÀÌÅÛ ±â¹Ý CF
3.9 Ãßõ ½Ã½ºÅÛÀÇ ¼º°úÃøÁ¤ÁöÇ¥
Chapter 4 Matrix Factorization(MF) ±â¹Ý Ãßõ
4.1 Matrix Factorization(MF) ¹æ½ÄÀÇ ¿ø¸®
4.2 SGD(Stochastic Gradient Descent)¸¦ »ç¿ëÇÑ MF ¾Ë°í¸®Áò
4.3 SGD¸¦ »ç¿ëÇÑ MF ±âº» ¾Ë°í¸®Áò
4.4 train/test ºÐ¸® MF ¾Ë°í¸®Áò
4.5 MFÀÇ ÃÖÀû ÆĶó¹ÌÅÍ Ã£±â
4.6 MF¿Í SVD
Chapter 5 Factorization Machines(FM)
5.1 FMÀÇ Ç¥ÁؽÄ
5.2 FM ½ÄÀÇ º¯Çü
5.3 FMÀÇ ÇнÀ
5.4 FMÀÇ µ¥ÀÌÅÍ º¯Çü
5.5 PythonÀ¸·Î FMÀÇ ±¸Çö
Chapter 6 Surprise ÆÐÅ°Áö »ç¿ë
6.1 Surprise ±âº» È°¿ë ¹æ¹ý
6.2 ¾Ë°í¸®Áò ºñ±³
6.3 ¾Ë°í¸®Áò ¿É¼Ç Áö...Á¤
6.4 ´Ù¾çÇÑ Á¶°ÇÀÇ ºñ±³
6.5 ¿ÜºÎ µ¥ÀÌÅÍ »ç¿ë
Chapter 7 µö·¯´×À» »ç¿ëÇÑ Ãßõ ½Ã½ºÅÛ
7.1 Matrix Factorization(MF)À» ½Å°æ¸ÁÀ¸·Î º¯È¯Çϱâ
7.2 Keras·Î MF ±¸ÇöÇϱâ
7.3 µö·¯´×À» Àû¿ëÇÑ Ãßõ ½Ã½ºÅÛ
7.4 µö·¯´× ¸ðµ¨¿¡ º¯¼ö Ãß°¡Çϱâ
Chapter 8 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛ
8.1 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛÀÇ ÀåÁ¡
8.2 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛÀÇ ¿ø¸®
8.3 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛ(CF¿Í MFÀÇ °áÇÕ)
Chapter 9 ´ë±Ô¸ð µ¥ÀÌÅÍÀÇ Ã³¸®¸¦ À§ÇÑ Sparse matrix »ç¿ë
9.1 Sparse matrixÀÇ °³³ä°ú Python¿¡¼ÀÇ »ç¿ë
9.2 Sparse matrix¸¦ Ãßõ ¾Ë°í¸®Áò¿¡ Àû¿ëÇϱâ
Chapter 10 Ãßõ ½Ã½ºÅÛ ±¸Ãà¿¡¼ÀÇ À̽´
10.1 ½Å±Ô »ç¿ëÀÚ¿Í ¾ÆÀÌÅÛ(Cold start problem)
10.2 È®À强(Scalability)
10.3 ÃßõÀÇ È°¿ë(Presentation)
10.4 ÀÌÁø¼ö µ¥ÀÌÅÍ(Binary data)ÀÇ »ç¿ë
10.5 »ç¿ëÀÚÀÇ °£Á¢ Æò°¡ µ¥ÀÌÅÍ(Indirect evaluation data) È®º¸
Âü°í¹®Çå
ã¾Æº¸±â
-
-
[ÀúÀÚ ¼¹®]
°³ÀÎÈ ÃßõÀº °¢ °³ÀÎÀÇ °ü½É»ç³ª ¼±È£µµ¸¦ ºÐ¼®Çؼ ±×¿¡ ¸Â´Â Á¤º¸³ª Á¦Ç°À» ÃßõÇØ ÁÖ´Â °ÍÀ» ¸»ÇÑ´Ù. ÃÖ±Ù °í°´¿¡ ´ëÇØ ÀÚ¼¼ÇÑ Á¤º¸¸¦ ¼öÁýÇÒ ¼ö ÀÖ°Ô µÇ¸é¼ °³ÀÎÈ ÃßõÀÌ Á¡Á¡ ´õ ³Î¸® ¾²ÀÌ°í, ¶ÇÇÑ ±â¾÷ÀÇ »õ·Î¿î ¼ºñ½º °³¹ß¿¡¼ ÃßõÀÌ Áß¿äÇÑ ±âº» ±â¼úÀÌ µÇ°í ÀÖ´Ù. °³ÀÎÈ Ãßõ ±â¼úÀº ±âº»ÀûÀ¸·Î´Â ¾Æ¸¶Á¸À̳ª ³ÝÇø¯½ºÃ³·³ Ãßõ ¼ºñ½º¸¦ Á¦°øÇÏ´Â µ¥ »ç¿ëµÇÁö¸¸, °³ÀÎÀÇ £¿£¿ÃãÇü ¼ºñ½º°¡ ÇÊ¿äÇÑ ±¤°í³ª À¥ÆäÀÌÁö ±¸¼º µî ´Ù¾çÇÑ ºÐ¾ß¿¡ Àû¿ëÀÌ °¡´ÉÇÏ´Ù.
ÀÌ Ã¥ÀÇ °¡Àå Áß¿äÇÑ ¸ñÀûÀº µ¶ÀÚµéÀÌ ÁÖ¿ä °³ÀÎÈ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ ÀÌÇØÇϵµ·Ï ÇÏ´Â °ÍÀÌ´Ù. À̸¦ À§ÇØ ÀÌ Ã¥¿¡¼´Â °³ÀÎÈ Ãßõ ±â¼úÀÇ Àü¹ÝÀûÀÎ ³»¿ë, ±×Áß¿¡¼µµ ƯÈ÷ ¿¬¼Ó°ªÀ» »ç¿ëÇÏ´Â °³ÀÎÈ Ãßõ ±â¼úÀ» ´Ù·é´Ù. ±¸Ã¼ÀûÀ¸·Î´Â Çù¾÷ ÇÊÅ͸µ(collaborative filtering), Çà·Ä¿äÀÎÈ(matrix factorization), Factorization Machines(FM), ±×¸®°í µö·¯´×(deep learning) Ãßõ ¾Ë°í¸®Áò µî¿¡ ´ëÇØ ´Ù·é´Ù. ¶ÇÇÑ ´Ù¼öÀÇ Ãßõ ¾Ë°í¸®ÁòÀ» °áÇÕÇÑ ÇÏÀ̺긮µå(hybrid) Ãßõ ½Ã½ºÅÛ µî¿¡ ´ëÇؼµµ ¼³¸íÇÑ´Ù.
ÇÏÁö¸¸ ÀÌ Ã¥¿¡¼´Â °³ÀÎÈ Ãßõ ±â¼ú¿¡ ´ëÇØ ¸ðµç °ÍÀ» ´Ù·çÁö´Â ¾Ê´Â´Ù. ½ÇÁ¦ °³ÀÎÈ Ãßõ ½Ã½ºÅÛÀ» ±¸ÇöÇϱâ À§Çؼ´Â ¾Ë°í¸®Áò¿¡ ´ëÇÑ ÀÌÇØ¿¡ ´õÇÏ¿© µ¥ÀÌÅÍ Àü󸮳ª ´ë¿ë·® µ¥ÀÌÅÍ Ã³¸®¿¡ ´ëÇÑ ÀÌÇØ°¡ ÇÊ¿äÇÏÁö¸¸, ÀÌµé ³»¿ëÀº ÀÌ Ã¥¿¡¼ ´Ù·çÁö ¾Ê´Â´Ù. ÀÌÁø°ª(0 ȤÀº 1)À» À§ÇÑ Ãßõ ¾Ë°í¸®Áò ¶ÇÇÑ ´Ù·çÁö ¾Ê´Â´Ù.
ÀÌ Ã¥¿¡¼´Â °¢ ¾Ë°í¸®Áòº°·Î ±âº» ¿ø¸®¿¡ ´ëÇÑ ¼³¸í°ú °¢ ¾Ë°í¸®ÁòÀÌ PythonÀ¸·Î ¾î¶»°Ô ±¸ÇöµÉ ¼ö ÀÖ´ÂÁö¸¦ ¿¹¸¦ ÅëÇؼ º¸¿©ÁÖ°í ÀÖ´Ù. ÀÌ Ã¥Àº ¾Ë°í¸®ÁòÀ» ¼öÇÐÀûÀ¸·Î ¼³¸íÇÏ´Â °ÍÀÌ ÁÖ¸ñÀûÀÌ ¾Æ´Ï±â ¶§¹®¿¡ ¼ö½ÄÀº ¾Ë°í¸®ÁòÀ» ÀÌÇØÇÏ´Â µ¥ ²À ÇÊ¿äÇÑ Á¤µµ·Î¸¸ ÇÑÁ¤ÇÏ¿´´Ù. ¶ÇÇÑ µ¶ÀÚÀÇ ÀÌÇظ¦ µ½°í ½º½º·Î ½Ç½ÀÇÒ ±âȸ¸¦ ÁÖ±â À§Çؼ ¿¬½À¹®Á¦¸¦ Ãß°¡ÇÏ¿´´Ù.
ÀÌ Ã¥À» Àú¼úÇÏ¸é¼ ÄÄÇ»Åͳª ¼öÇп¡ ´ëÇÑ ±íÀº Áö½ÄÀÌ ¾ø´õ¶óµµ °³ÀÎÈ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ Å« ¾î·Á¿ò ¾øÀÌ ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºÇÏ·Á°í ³ë·ÂÇÏ¿´´Ù. ´Ù¸¸ PythonÀ» »ç¿ëÇÑ ÄÚµù ºÎºÐÀº Python¿¡ ´ëÇÑ ±âÃÊ Áö½ÄÀÌ ÀÖ´Ù´Â °¡Á¤ÇÏ¿¡ ¼³¸íÀ» ÇÏ°í ÀÖ´Ù. Áï PythonÀÇ ±âº» ¹®¹ýÀ̳ª Numpy, Pandas, Keras µî¿¡ ´ëÇÑ ±âÃÊÀûÀÎ ¼³¸íÀº »ý·«ÇÏ°í À̵éÀ» È°¿ëÇÑ ¾Ë°í¸®Áò ¼³¸í¿¡ ÃÊÁ¡À» ¸ÂÃß¾ú´Ù. ±×¸®°í ºÐ¼® ±â¹ý Áß¿¡¼´Â SGD(Stochastic Gradient Descent)°¡ Áß¿äÇÏ°Ô ¼³¸íÀÌ µÇ¹Ç·Î ÀÌ¿¡ ´ëÇÑ ±âº» Áö½Äµµ ÇÊ¿äÇÏ´Ù. ¸¸ÀÏ ÀÌ·± °Í¿¡ Àͼ÷ÇÏÁö ¾ÊÀº µ¶ÀÚµéÀº Python ±âº» ¹®¹ý°ú Numpy, Pandas, Keras, SGD µîÀ» ¸ÕÀú ÇнÀÇÏ°í ÀÌ Ã¥À» º¼ °ÍÀ» ±ÇÀåÇÑ´Ù.
ÀÌ Ã¥¿¡¼ »ç¿ëµÇ´Â ÄÚµå¿Í µ¥ÀÌÅÍ´Â µµ¼ÃâÆÇ Ã»¶÷ ȨÆäÀÌÁö ÀϹÝÀÚ·á½Ç(http://www.crbooks.co.kr)¿¡¼ ´Ù¿î¹ÞÀ» ¼ö ÀÖ´Ù.
º» Ã¥À» óÀ½ºÎÅÍ ³¡±îÁö ¼ø¼´ë·Î Âø½ÇÈ÷ µû¶ó°¡¸é °³ÀÎÈ Ãßõ ½Ã½ºÅÛÀÇ ´Ù¾çÇÑ ¾Ë°í¸®Áò¿¡ ´ëÇÑ ±âº»ÀûÀÎ ¿ø¸®¸¦ ÀÌÇØÇÒ ¼ö ÀÖÀ» °ÍÀ¸·Î »ý°¢ÇÑ´Ù. ÀÌ Ã¥ÀÌ Ãßõ ½Ã½ºÅÛÀ̳ª °³ÀÎÈ ½Ã½ºÅÛ ±¸Ãà¿¡ °ü½ÉÀÌ Àְųª °ü·ÃµÈ ¿¬±¸¸¦ ÇÏ´Â ºÐµé²² µµ¿òÀÌ µÇ¾úÀ¸¸é ÇÏ´Â ¹Ù¶÷ÀÌ´Ù.
-
-
|
ÀÓÀÏ [Àú]
|
|
-
¿¬¼¼´ëÇб³ °æ¿µ´ëÇÐ Á¤º¸½Ã½ºÅÛ ±³¼öÀ̸ç Çѱ¹°úÇбâ¼úÇѸ²¿ø Á¤È¸¿øÀÌ´Ù. ¼¿ï´ëÇб³¿¡¼ °æ¿µÇÐ ÇлçÇÐÀ§¿Í ¼®»çÇÐÀ§¸¦ ¹Þ¾Ò°í ¹Ì±¹ ¼´øĶ¸®Æ÷´Ï¾Æ ´ëÇб³USC, University of Southern CaliforniaÀÇ °æ¿µ´ëÇÐ ¸¶¼È ºñÁî´Ï½º ½ºÄðMarshall School of Business¿¡¼ Á¤º¸½Ã½ºÅÛ Àü°øÀ¸·Î ¹Ú»çÇÐÀ§¸¦ ¹Þ¾Ò´Ù. ¿ø·¡´Â Àü ¼¼°è¸¦ »ó´ë·Î ºñÁî´Ï½º¸¦ ÇÏ°Ú´Ù´Â ¿ø´ëÇÑ ²ÞÀ» °¡Áö°í °æ¿µÇаú¿¡ ÀÔÇÐÇßÀ¸³ª ÀÔÇÐ ¼±¹°·Î ¹ÞÀº ¾ÖÇà II ÄÄÇ»ÅÍ°¡ ÀλýÀ» ¹Ù²Ù¾î³õ¾Ò´Ù. °è»êÅë°èÇаúÀÇ ¼ö¾÷À» µè°í Ã¥À¸·Î µ¶ÇÐÀ» ÇÏ¸é¼ º£ÀÌÁ÷BASIC, ÆĽºÄ®PASCAL, C, ¾î¼Àºí·¯ µîÀÇ ÇÁ·Î±×·¡¹ÖÀ» ÀÍÇû´Ù. ±×·¯¸é¼ Á¤º¸±â¼úÀÌ ¿ì¸® »ýÈ°¿¡ °¡Á®¿Ã º¯ÈÀÇ ÀáÀç·Â¿¡ ´«À» ¶ß°Ô µÇ¾ú°í ±× ÈÄ·Î Á¤º¸±â¼ú°ú ºñÁî´Ï½º¸¦ ÇÔ²² ÀÌÇØÇÏ·Á°í ³ë·ÂÇÏ°í ÀÖ´Ù. ÇÐÀ§¸¦ ¹ÞÀº ÈÄ¿¡´Â ´ºÀúÁö°ø°ú´ëÇÐNew Jersey Institute of Technology¿¡¼ ±³¼ö¸¦ ÇÏ¸é¼ ¹Ì±¹°úÇÐÀç´ÜNSF¿¡¼ ¿¬±¸ºñ¸¦ Áö¿ø¹Þ¾Æ Ãßõ½Ã½ºÅÛ°ú °³ÀÎÈ ±â¼úÀ» ¿¬±¸ÇÏ¿´´Ù. ÃÖ±Ù¿¡´Â ±â°èÇнÀ°ú ºòµ¥ÀÌÅÍ ºÐ¼® ¹æ¹ýÀ» È°¿ëÇؼ ¿Â¶óÀΰú ¸ð¹ÙÀϻ󿡼 ¼ÒºñÀÚÀÇ ÇൿÀ» ºÐ¼®ÇÏ°í ¿¹ÃøÇÏ´Â ¿¬±¸¸¦ ¼öÇàÇÏ°í ÀÖ´Ù. ÀÎÅͳݿ¡¼ µîÀåÇÑ IT ±â¹Ý Ç÷§Æû ºñÁî´Ï½º¿¡ °üÇÑ °ü½É¿¡¼ Ãâ¹ßÇؼ SNS, O2O, ÇÉÅ×Å© ºñÁî´Ï½º Àü·«¿¡µµ °ü½ÉÀ» °¡Áö°í 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. |
|
|
|
|