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%↓)

• 
• 
• 다양한 알고리즘과 최신 기법으로 머신러닝 개발 실무 능력 레벨업 인공지능 시스템 구축에 필요한 지식과 개발 방법을 망라한 가이드북. 꾸준히 개정되어 이번 3판에는 영화 추천 엔진(나이브 베이즈), 얼굴 인식(SVM), 주가 예측(신경망), 옷 이미지 분류(CNN), 시퀀스 예측(RNN), 강화학습 등 6개 장이 추가되었다. 주요 파이썬 머신러닝 알고리즘을 라이브러리 없이 혹은 텐서플로/케라스 같은 라이브러리를 사용해서 구현해본다. 풍부한 예제를 통해 특징 공학, 분류, 회귀, 군집화, NLP 등 업계에서 널리 활용되는 머신러닝 기법의 작동 원리를 익힐 수 있다.
• 
• 다양한 프레임워크, 다양한 알고리즘, 다양한 예제로 익히는 실전 머신러닝 개발 머신러닝이 업계 전반에서 널리 활용되고 있지만, 기법과 도구는 나날이 새로워지고 있어 어떤 조합을 어떤 시나리오에 적용할지 막막함을 느끼는 실무자가 많다. 이 책은 일부 알고리즘을 깊이 파고들기보다는 다양한 애플리케이션 예제를 훑고 구현함으로써 EDA, 특징 공학, 분류, 회귀, 군집화, NLP 등 영역에서의 머신러닝 알고리즘의 작동 원리를 되새길 수 있게 한다. 1장은 머신러닝 기술을 개괄하고, 바로 2장부터 나이브 베이즈를 이용해 영화 추천 엔진을 구축해본다. 라이브러리 없이 ‘밑바닥부터’ 구현하는 법과 사이킷런을 이용하는 법을 모두 다루며, 이러한 방식이 이후 챕터에서도 자주 반복된다. 3장은 SVM을 설명하고 얼굴 인식이나 심전도 분류에 활용한다. 4장부터 6장은 온라인 광고 클릭률 데이터셋을 사용한 예측을 살펴본다. 4장은 의사결정 트리, 랜덤 포레스트 등 트리 기반 알고리즘으로, 5장은 로지스틱 회귀로 광고 클릭률 예측기를 만들어본다. 이 과정에서 사이킷런, XGBoost, 텐서플로 등 익숙한 라이브러리들의 사용법도 익힐 수 있다. 6장은 스파크를 사용해 테라바이트 규모의 로그를 분석해봄으로써 광고 클릭률 예측기를 더욱 확장한다. 7장과 8장은 누구나 관심 있는 주가 예측 문제를 다룬다. 7장에서는 회귀 기법을 자세히 설명한 다음에, 8장에서는 딥러닝의 기초인 신경망을 설명한 다음에 여러 방식으로 구현해 주가 예측에 적용해본다. 9장과 10장은 뉴스그룹 데이터셋을 예시로 NLP 애플리케이션을 실습한다. NLP에서 널리 쓰이는 라이브러리들을 개괄한 다음, 토큰화, 어간 추출, 표제어 추출 등 NLP의 기초를 설명하고, 나아가 차원 축소(t-SNE), 비지도학습(주제 모델링, k-평균 군집화)까지 살펴본다. 11장은 잠시 숨을 고르고 머신러닝 작업 워크플로에서 단계별로 대표적인 모범 사례를 꼽아 살펴본다. 12장과 13장은 각각 CNN과 RNN을 다룬다. 텐서플로(케라스)를 사용하여, 12장은 의류 이미지 분류기를 만들며 데이터 증강 같은 유용한 기법을 소개하고, 13장은 감정 분석과 텍스트 생성 실습을 하며 트랜스포머 같은 최신 모델도 소개한다. 마지막 14장은 OpenAI Gym 환경에서 가치 반복, 정책 반복, Q-러닝 등을 이용해 강화학습을 실습해본다. 책 전체에 걸쳐 수많은 도구, 기법, 개념이 등장하지만, 하나하나를 자세히 살펴보기보다는 큰 그림과 실제 구현하는 법에 초점을 둔 책이다. 아직 다양한 개발 경험을 쌓지 못한 실무자들에게 풍성한 간접경험을 제공한다는 점이 큰 미덕이다. EDA, 특징 공학, 분류, 회귀, 군집화, NLP 등 업계에서 널리 활용되는 머신러닝 기법의 작동 원리를 살펴봄으로써 오늘날의 ‘거의 모든’ 머신러닝 커리큘럼을 접할 수 있다. 주요 내용 ■ 머신러닝 및 데이터 과학에서 다루는 주요 개념 ■ 파이썬을 활용한 데이터 마이닝 및 분석 ■ 아파치 스파크로 복잡한 데이터를 이용하는 모델 훈련 확장 ■ NLTK, 젠심 같은 파이썬 라이브러리를 통한 텍스트 분석 및 NLP ■ 머신러닝 모델 선택, 구축, 성능 평가, 최적화 ■ 바닐라 파이썬, 텐서플로 2, 파이토치, 사이킷런 등으로 머신러닝 알고리즘 구현
• 
• 지은이·옮긴이 소개 xiii 기술 감수자 소개 xiv 옮긴이 머리말 xv 베타리더 후기 xvii 감사의 글 xix 이 책에 대하여 xx CHAPTER 1 머신러닝과 파이썬 시작하기 1 1.1 머신러닝 소개 2 1.2 머신러닝의 전제 조건 7 1.3 세 가지 유형의 머신러닝 시작하기 8 1.4 머신러닝의 핵심 파헤치기 11 1.5 데이터 처리와 특징 공학 23 1.6 모델 결합 29 1.7 소프트웨어 설치 및 설정 34 1.8 요약 39 1.9 연습 문제 39 CHAPTER 2 나이브 베이즈를 이용한 영화 추천 엔진 구축 41 2.1 분류 시작하기 42 2.2 나이브 베이즈 45 2.3 나이브 베이즈 구현 52 2.4 나이브 베이즈를 이용한 영화 추천기 구축 57 2.5 분류 성능 평가 62 2.6 교차 검증으로 모델 조정 66 2.7 요약 69 2.8 연습 문제 69 2.9 참고 문헌 70 CHAPTER 3 서포트 벡터 머신을 이용한 얼굴 인식 71 3.1 SVM으로 구분 경계 탐색 72 3.2 SVM을 이용한 얼굴 이미지 분류 90 3.3 태아심박동검사에서 태아 상태 분류 96 3.4 요약 98 3.5 연습 문제 99 CHAPTER 4 트리 기반 알고리즘을 이용한 온라인 광고 클릭률 예측 101 4.1 광고 클릭률 예측의 개요 102 4.2 두 가지 유형의 데이터로 시작하기: 수치형과 범주형 103 4.3 루...트에서 리프까지 의사결정 트리 탐색 104 4.4 밑바닥부터 구현하는 의사결정 트리 115 4.5 사이킷런을 이용한 의사결정 트리 구현 123 4.6 의사결정 트리를 이용한 광고 클릭률 예측 124 4.7 의사결정 트리 앙상블: 랜덤 포레스트 130 4.8 의사결정 트리 앙상블: 그레이디언트 부스티드 트리 132 4.9 요약 135 4.10 연습 문제 135 CHAPTER 5 로지스틱 회귀를 이용한 온라인 광고 클릭률 예측 137 5.1 범주형 특징을 수치형으로 변환: 원-핫 인코딩과 순서 인코딩 138 5.2 로지스틱 회귀를 이용한 데이터 분류 141 5.3 로지스틱 회귀 모델 훈련 146 5.4 온라인 학습을 통한 대규모 데이터셋 훈련 158 5.5 다중 클래스 분류 161 5.6 텐서플로를 이용한 로지스틱 회귀 구현 163 5.7 랜덤 포레스트를 이용한 특징 선택 165 5.8 요약 167 5.9 연습 문제 167 CHAPTER 6 테라바이트 규모의 클릭 로그 예측 169 6.1 아파치 스파크의 핵심 배우기 170 6.2 파이스파크 프로그래밍 175 6.3 스파크를 통한 대규모 클릭 로그 학습 178 6.4 스파크를 이용한 범주형 변수의 특징 공학 189 6.5 요약 195 6.6 연습 문제 196 CHAPTER 7 회귀 알고리즘을 이용한 주가 예측 197 7.1 주식시장과 주가의 개요 198 7.2 회귀란 무엇인가? 199 7.3 주가 데이터 수집 200 7.4 선형회귀를 이용한 추정 210 7.5 의사결정 트리 회귀를 이용한 추정 217 7.6 서포트 벡터 회귀를 이용한 추정 225 7.7 회귀 성능 평가 226 7.8 회귀 알고리즘 세 가지를 이용한 주가 예측 228 7.9 요약 233 7.10 연습 문제 233 CHAPTER 8 인공 신경망을 이용한 주가 예측 235 8.1 신경망의 이해 236 8.2 신경망 구축 242 8.3 적절한 활성화 함수 선택 248 8.4 신경망의 과적합 방지 249 8.5 신경망을 이용한 주가 예측 251 8.6 요약 259 8.7 연습 문제 259 CHAPTER 9 텍스트 분석 기법을 이용한 20개 뉴스그룹 데이터셋 분석 261 9.1 컴퓨터가 언어를 이해하는 방법: NLP 262 9.2 인기 있는 NLP 라이브러리와 NLP 기초 265 9.3 뉴스그룹 데이터 가져오기 274 9.4 뉴스그룹 데이터 탐색 276 9.5 텍스트 데이터의 특징 고려 279 9.6 t-SNE를 이용한 뉴스그룹 데이터 시각화 286 9.7 요약 289 9.8 연습 문제 290 CHAPTER 10 군집화와 주제 모델링을 이용한 뉴스그룹 데이터셋의 기본 주제 찾기 291 10.1 선생님 없이 학습하기: 비지도학습 292 10.2 k-평균을 이용한 뉴스그룹 데이터 군집화 293 10.3 뉴스그룹 이면의 주제 발견 311 10.4 요약 318 10.5 연습 문제 319 CHAPTER 11 머신러닝 모범 사례 321 11.1 머신러닝 솔루션 워크플로 322 11.2 데이터 준비 단계의 모범 사례 323 11.3 훈련셋 생성 단계의 모범 사례 329 11.4 모델 훈련, 평가, 선택 단계의 모범 사례 340 11.5 배포와 모니터링 단계의 모범 사례 345 11.6 요약 349 11.7 연습 문제 350 CHAPTER 12 합성곱 신경망을 이용한 옷 이미지 분류 351 12.1 CNN의 구성 요소 352 12.2 분류를 위한 CNN 구조 설계 356 12.3 옷 이미지 데이터셋 358 12.4 CNN을 이용한 옷 이미지 분류 361 12.5 데이터 증강을 통한 CNN 분류기 강화 369 12.6 데이터 증강을 통한 옷 이미지 분류기 개선 375 12.7 요약 378 12.8 연습 문제 378 CHAPTER 13 순환 신경망을 이용한 시퀀스 예측 379 13.1 순차 학습 소개 380 13.2 예시를 통해 배우는 RNN 구조 380 13.3 RNN 모델 훈련 386 13.4 장단기 메모리를 이용한 장기 의존성 극복 387 13.5 RNN을 이용한 영화 리뷰 감정 분석 390 13.6 RNN으로 나만의 《전쟁과 평화》 작성하기 398 13.7 트랜스포머 모델을 이용한 언어 이해도 향상 409 13.8 요약 412 13.9 연습 문제 412 CHAPTER 14 강화학습을 이용한 복잡한 환경에서의 의사결정 413 14.1 작업 환경 설정 413 14.2 예시를 이용한 강화학습 소개 417 14.3 동적 프로그래밍을 이용한 FrozenLake 환경 해결 421 14.4 몬테카를로 학습 수행 432 14.5 Q-러닝 알고리즘으로 택시 문제 풀기 441 14.6 요약 449 14.7 연습 문제 449 찾아보기 450
• 
• 정밀도, 재현율, F1 점수는 다중 클래스 분류에도 적용할 수 있는데, 이 경우에는 관심 있는 클래스를 양성으로 처리하고 그 밖의 다른 클래스는 음성으로 처리한다. / 클래스 평균 F1 점수와 클래스별 F1 점수 모두 가장 높은 값을 얻도록 이진 분류기를 조정(예를 들어 나이브 베이즈 분류기의 평활화 계수와 같은 초매개변수(hyperparameter)의 다양한 조합을 시도하는 경우)할 수 있으면 좋겠지만, 일반적으로는 어렵다. 어떤 경우에는 한 모델의 평균 F1 점수가 다른 모델보다 높지만, 특정 클래스에 대해서는 F1 점수가 상당히 낮다. 또 어떤 경우에는 두 모델의 평균 F1 점수가 동일하지만,한 모델의 어떤 클래스에 대한 F1 점수는 높고 다른 클래스에 대해서는 F1 점수가 낮다. 이와 같은 상황에서 어떤 모델이 더 잘 작동하는지는 어떻게 판단할 수 있을까? (64쪽) 온라인 디스플레이 광고는 머신러닝을 활용하기에 매우 좋은 예 중 하나다. 광고주와 소비자는 타깃이 명확한 광고에 큰 관심을 가진다. 지난 20년 동안 업계는 광고 타기팅의 효과를 예측하기 위해 머신러닝 모델에 크게 의존해왔는데, 특정 연령대의 소비자가 이 제품에 관심을 가질 가능성, 특정 가계소득 수준의 고객이 광고를 본 뒤에 이 제품을 구매할 가능성, 스포츠 사이트를 자주 방문하는 방문자가 해당 광고를 읽는 데 더 많은 시간을 할애할 가능성 등이 이에 해당한다. 광고의 효과를 측정하는 가장 일반적인 방법은 클릭률(click-through rate, CTR)로, 전체 조회수 대비 특정 광고를 클릭하는 비율이다. (102쪽) 예측력을 높이려면 더 많은 특징을 생성해야 한다. 요약하자면, 머신러닝에서의 특징 공학은 머신러닝 알고리즘의 성능을 향상하기 위해 기존 특징을 기반으로 도메인별(domain-specific) 특징을 생성하는 과정이다. / 일반적으로 특징 공학에는 충분한 도메인 지식이 필요한데, 매우 어려울뿐더러 시간이 많이 소요될 수 있다. 실제로 머신러닝 문제를 해결하는 데 사용되는 특징은 바로 눈에 보이지 않는 만큼, 스팸 이메일 탐지와 뉴스그룹 분류에서의 용어 빈도나 tf-idf 특징과 같이 구체적으로 설계하고 구성해야 한다. 따라서 머신러닝에서 특징 공학은 필수 요소이면서 실제 문제를 해결하기 위해 가장 큰 노력을 쏟는 부분이다. (202쪽) 앞서 언급했듯이, 같은 어근에서 나온 단어를 처리하는 두 가지 기본 전략으로 어간 추출과 표제어 추출이 있다. 어간 추출이 좀 더 빠른 접근 방식으로 필요할 때는 글자를 잘라내기도 한다. 예를 들어 words는 어간 추출 후에 word가 된다. 또한 어간 추출의 결과가 꼭 유효한 단어일 필요는 없는데, 예를 들어 trying과 try를 어간 추출하면 tri가 된다. 반면 표제어 추출은 느리지만 더 정확하다. 사전 조회(dictionary lookup)를 통해 유효한 단어의 반환을 보장한다. 앞 절에서 NLTK를 이용해서 어간 추출과 표제어 추출을 구현해보았으니, 필요하면 이를 참조한다. / 지금까지 다룬 모든 내용(전처리, 불용어 삭제, 표제어 추출, 카운트 벡터화)을 통합하면 다음과 같다. (284쪽) 데이터 증강(data augmentation)은 일반화 성능을 개선하기 위해서 기존 훈련 데이터셋을 확장하는 것이다. 이를 통해 더 많은 데이터를 수집하고 레이블링하는 데 드는 비용을 줄일 수 있다. 텐서플로에서는 케라스 API의 ImageDataGenerator 모듈을 이용해서 실시간으로 이미지 증강을 구현한다. / 이미지 데이터를 증강하는 여러 가지 방법이 있는데, 가장 간단한 방법은 이미지를 수평 방향이나 수직 방향으로 뒤집는(flipping) 것이다. 예를 들어 기존 이미지를 수평으로 뒤집으면 ...새로운 이미지가 생긴다. 수평으로 뒤집은 이미지를 생성하려면 다음과 같이 이미지 데이터 생성기를 만들어야 한다. (369~370쪽)
• 
• 

• 위시 (헤이든) 류 [저]

• 구글의 머신러닝 소프트웨어 엔지니어. 구글 이전에는 여러 데이터 기반 도메인에서 머신러닝 과학자로 일하며 디지털 광고, 마케팅, 사이버 보안에 관한 전문 지식을 발휘했다. 현재 세계에서 가장 큰 검색 엔진에서 광고 최적화를 위한 머신러닝 모델과 시스템을 개발하고 개선하는 일을 한다. 교육에 대한 열정이 커 여러 머신러닝 도서를 집필했다. 첫 책인 《Python Machine Learning By Example》의 초판은 2017년과 2018년에 아마존에서 베스트셀러 1위에 올랐으며 다양한 언어로 번역되었다. 집필한 책으로는 《Machine Learning with PyTorch and Scikit-Learn》(2022), 《Deep Learning with R for Beginners》(2019), 《Hands-On Deep Learning Architectures with Python》(2019), 《R Deep Learning Projects》(이상 Packt, 2018)가 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.