|
|
|
ÅÙ¼Ç÷ΠÄɶ󽺸¦ ÀÌ¿ëÇÑ µö·¯´× : ¿ø¸®¿Í ½ÇÁ¦ ÀÀ¿ë
|
|
|
¹ÚÀ¯¼º
¤Ó
ÀÚÀ¯¾ÆÄ«µ¥¹Ì
|
|
|
|
- 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¥¿¡ Á¦°øµÈ ÇÁ·Î±×·¥Àº tf.keras·Î ÀÛ¼ºµÇ¾ú±â ¶§¹®¿¡ Jupyter Notebook ¶Ç´Â Ŭ¶ó¿ìµå ±â¹ÝÀÇ Colab¿¡¼ ½Ç½ÀÇÒ ¼ö ÀÖµµ·Ï ÃÖÀûȵǾî ÀÖ´Ù. µ¶ÀÚ ½º½º·Î ÇÁ·Î±×·¥À» ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï °¡´ÉÇÑ ÇÑ »ó¼¼ÇÑ Çؼ³À» ÇÏ¿´À¸¸ç, ÇÊ¿äÇÑ ÇÁ·Î±×·¥°ú µ¥ÀÌÅÍ´Â ÀÚÀ¯¾ÆÄ«µ¥¹Ì ȨÆäÀÌÁö ÀÚ·á½Ç¿¡¼ ´Ù¿î·ÎµåÇÒ ¼ö ÀÖµµ·Ï ÁغñÇÏ¿´´Ù. Á¦2ÆÇ°ú ºñ±³ÇÏ¿© À̹ø Á¦3ÆÇÀÇ Æ¯Â¡Àº µö·¯´×ÀÇ ±âº»¿ø¸®, ¿ÀÂ÷ºÐ¼®À» ÅëÇÑ °ú´ëÀûÇÕ ¹× °ú¼ÒÀûÇÕÀÇ Áø´Ü°ú ÇØ°á¹æ¾È, ±×¸®°í µö·¯´× ¸ðÇüÀÇ ÁøÈÀÇ °üÁ¡¿¡¼ È¿À²ÀûÀÌ°í ¿ì¼öÇÑ ¼º´ÉÀ» °¡Áø µö·¯´×ÀÇ ¼³°è µî¿¡ ÁßÁ¡À» µÎ¾î °³³äÀ» ÀçÁ¤¸³ÇÏ¿´À¸¸ç ÷´Ü µö·¯´× ¸ðÇüÀ» ´ëÆø Ãß°¡ÇÑ °ÍÀ¸·Î ¿ä¾àÇÒ ¼ö ÀÖ´Ù.
-
-
[1ºÎ] µö·¯´×ÀÇ ±âÃÊ¿ø¸®
1Àå ¼·Ð
2Àå µö·¯´× µ¥ÀÌÅÍ¿Í ¼¼ °¡Áö ±âº»½Å°æ¸Á
2.1 µ¥ÀÌÅÍÀÇ »çÀüÁ¤¸®°úÁ¤
2.2 µö·¯´×¿¡ »ç¿ëµÇ´Â µ¥ÀÌÅÍÀÇ ÇüÅÂ
2.3 Àº´ÐÃþ ¼³°è¸¦ À§ÇÑ ¼¼ °¡Áö ÇÙ½É ½Å°æ¸Á
3Àå ¼Õ½ÇÇÔ¼ö¿Í ÃÖÀûÈ
3.1 Ãâ·ÂÃþ°ú ¼Õ½ÇÇÔ¼ö
3.2 ¿ªÀüÆÄ
3.3 ÃÖÀûÈ ¾Ë°í¸®Áò
4Àå TensorFlow-Keras
4.1 TensorFlow 2ÀÇ ±âÃÊ ¹®¹ý°ú tf.kerasÀÇ ¼³Ä¡
4.2 µö·¯´× ±¸ÃàÀ» À§ÇÑ 3´ë API
4.3 ÃÖÀûȸ¦ À§ÇÑ Á¡°Ë
5Àå ¿ÀÂ÷ºÐ¼®, Ãʸð¼öÁ¶Àý, ±×¸®°í ¸ÂÃãÇü µö·¯´× ¼³°è
5.1 ¿ÀÂ÷ºÐ¼®
5.2 ÀÚ·á ºÐÇÒ
5.3 Ãʸð¼ö Á¶Àý
5.4 µö·¯´× ¸ðÇüÀÇ ¼º´ÉÇâ»ó
5.5 ¸ÂÃãÇü µö·¯´× ¼³°è
[2ºÎ] µö·¯´×ÀÇ ±âº» ÀÀ¿ë°ú ÁøÈ°úÁ¤
6Àå CNNÀÇ ÀÀ¿ë°ú ÀÌÀüÇнÀ
6.1 »ç¶÷ÀÇ ¼ºº°À» ±¸ºÐÇÏ´Â CNN
6.2 ÀÌÀüÇнÀ
6.3 Image Generator¸¦ ÀÌ¿ëÇÑ CNN°ú ÀÚ·áÁõ´ë
6.4 ImageDataGenerator¸¦ ÀÌ¿ëÇÑ ÀÌÀüÇнÀ
7Àå RNNÀ» ÀÌ¿ëÇÑ Word Embedding°ú ½Ã°è¿ ºÐ¼®
7.1 Word2Vec°ú Glove
7.2 ÅؽºÆ® ÀÚ·á¿¡ Æ¯ÈµÈ Word Embedding
7.3 Word Embedding »ç·ÊºÐ¼®
7.4 RNN ¸ðÇüÀÇ ºñ±³
7.5 ´Ù¸¥ ÇüÅÂÀÇ RNN ¸ðÇü
7.6 µö·¯´×À» ÀÌ¿ëÇÑ ½Ã°è¿ ÀÚ·áºÐ¼®
8Àå ´ÙÁß ÀÔÃâ·Â, º´·ÄÇü, ºñ¼øȯ µö·¯´× ¾ÆÅ°ÅØó
8.1 ´ÙÁßÀÔ·Â...°ú ´ÙÁßÃâ·Â µö·¯´×
8.2 ºñ¼øȯÇü µö·¯´× ¾ÆÅ°ÅØó
9Àå CNN ¾ÆÅ°ÅØóÀÇ ÁøÈ°úÁ¤
9.1 LeNet-5
9.2 AlexNet
9.3 VGGNet
9.4 ResNet
9.5 Inception
9.6 Stem-Learner-Task ¾ÆÅ°ÅØó
9.7 µö·¯´×ÀÇ ÁøÈ
[3ºÎ] ÄÄÇ»ÅÍ ºñÀü
10Àå ÀÚÀ²ÀÚµ¿Â÷ÀÇ À̹ÌÁöºÐ¼®
10.1 ±³ÅëÇ¥½ÄÀÇ ½Äº°
10.2 °´Ã¼ºÐÇÒ
10.3 °´Ã¼ÀÇ Àǹ̺ÐÇÒ
11Àå À̹ÌÁö °´Ã¼Àνİú À§Ä¡È
11.1 R-CNN
11.2 Fast R-CNN
11.3 Faster R-CNN
11.4 YOLO_v3
12Àå ä³Î ½Ã°¢È, µöµå¸², ±×¸®°í ½ºÅ¸ÀÏÀÌÀü
12.1 ä³Î ½Ã°¢È
12.2 µöµå¸²
12.3 ½ºÅ¸ÀÏÀÌÀü
[4ºÎ] ÀÚ¿¬¾îó¸®
13Àå ¸Ó½Å¹ø¿ª
13.1 ÀÚ·áÀÇ »çÀüÁ¤¸®
13.2 sequence-to-sequence ÇнÀ
13.3 ¸Ó½Å¹ø¿ªÀ» À§ÇÑ Encoder-Decoder ¾ÆÅ°ÅØó
13.4 AttentionÀ» ÀÌ¿ëÇÑ ¸Ó½Å¹ø¿ª
14Àå Transformer
14.1 TransformerÀÇ ÀÔ·ÂÃþ
14.2 TransformerÀÇ Àº´ÐÃþ
14.3 TransformerÀÇ Àû¿ë
14.4 Çѱ¹¾î 꺿
15Àå BERT¿Í GPT
15.1 BERTÀÇ ±¸Á¶
15.2 GPT¿Í ÅؽºÆ® »ý¼ºÀ» À§ÇÑ sampling
15.3 ¼ºê¿öµå ÅäÅ«È
16Àå Hugging Face¸¦ ÀÌ¿ëÇÑ BERT
16.1 BERTÀÇ Àû¿ë
16.2 NLP µ¥ÀÌÅͼ API¿Í BERTÀÇ Àû¿ë
17Àå BERT º¯Çü
17.1 ALBERT
17.2 RoBERTa
17.3 ELECTRA
17.4 DistilBERT
17.5 M-BERT, XLM, XLM-R
[5ºÎ] AutoEncoder¿Í GAN
18Àå AutoEncoder¿Í Variational AutoEncoder
18.1 AutoEncoder ¸ðÇü
18.2 ¿À¿°Á¦°Å Autoencoder
18.3 Variational Autoencoder
18.4 Á¶°ÇºÎ VAE
19Àå Generative Adversarial Networks
19.1 DCGAN
19.2 GAN ÇнÀÀ» À§ÇÑ ¼Õ½ÇÇÔ¼ö
19.3 WGANÀÇ ±¸Çö
19.4 LSGANÀÇ ±¸Çö
20Àå Cross-Domain GAN
20.1 CycleGAN
20.2 CIFAR10 µ¥ÀÌÅ͸¦ ÀÌ¿ëÇÑ CycleGAN
20.3 MNIST µ¥ÀÌÅÍ¿Í SVHN µ¥ÀÌÅ͸¦ ÀÌ¿ëÇÑ CycleGAN
20.4 ¸ð³×±×¸² µ¥ÀÌÅÍ¿Í »çÁøµ¥ÀÌÅ͸¦ ÀÌ¿ëÇÑ CycleGAN
*Âü°í¹®Çå
*ã¾Æº¸±â
-
-
[¸Ó¸®¸»]
"µö·¯´×Àº ÀÔ·ÂÃþ, Àº´ÐÃþ, Ãâ·ÂÃþÀ¸·Î ±¸¼ºµÇ¾î ÀÖ´Ù. µ¥ÀÌÅÍ°¡ ÀԷµǴ ÃþÀ» ÀÔ·ÂÃþÀ̶ó°í Çϸç ÀÔ·ÂÃþÀÇ ÀԷ Ư¼ºº¯¼ö´Â Àº´ÐÃþ¿¡¼ °í¼öÁØ ´ëÇ¥¼ºÀ» °¡Áø Ư¼ºº¯¼ö·Î ¸¸µé¾îÁø ÈÄ, ÀÌ Æ¯¼ºº¯¼ö¸¦ Ãâ·ÂÃþ¿¡ ÀÔ·ÂÇÏ¿© µ¥ÀÌÅÍ ºÐ¼®°úÁ¦¸¦ ½ÇÇàÇÏ°Ô µÈ´Ù. µö·¯´× ¸ðÇü¿¡¼ Àº´ÐÃþÀ» Á¦°ÅÇÏ¸é ±âÁ¸ÀÇ Åë°è¸ðÇü°ú µ¿ÀÏÇϹǷΠÀº´ÐÃþ¸¸ Àß ÀÌÇØÇÏ¸é µö·¯´× ¸ðÇüÀº ´©±¸³ª ½±°Ô ¼³°èÇÏ°í ½ÇÇàÇÒ ¼ö ÀÖ´Ù. µö·¯´×¿¡´Â 2°³ ÀÌ»óÀÇ Àº´ÐÃþÀÌ ÀÖÀ¸¸ç Àº´ÐÃþÀº ¾Õ Àº´ÐÃþÀ¸·ÎºÎÅÍ ÀÔ·ÂµÈ Æ¯¼ºº¯¼ö¸¦ ¼±Çü°áÇÕÇÏ°í ºñ¼±Çüº¯È¯ÇÏ´Â ¸Å¿ì °£´ÜÇÑ ±¸Á¶·Î µÇ¾î ÀÖ´Ù. ¼±Çü°áÇÕÀº ÀÔ·ÂµÈ Æ¯¼ºº¯¼ö ¸ðµÎ¸¦ ¼±Çü°áÇÕÇÏ´Â ¿ÏÀü°áÇÕ(fully connected)°ú ÀϺκи¸ ¼±Çü°áÇÕÇÏ´Â ºÎºÐ°áÇÕ(locally connected)ÀÌ ÀÖ´Ù. ¿ÏÀü°áÇÕÃþÀ¸·Î ±¸¼ºµÈ ¸ðÇüÀ» MLP ¸ðÇüÀ̶ó ÇÏ°í, ½Ã°£ Â÷·Ê´ë·Î ºÎºÐ°áÇÕÇϸé RNN ¸ðÇü, ±×¸®°í °ø°£Àû(spatially)À¸·Î ºÎºÐ°áÇÕÇϸé CNN ¸ðÇüÀ̶ó°í ÇÑ´Ù. µö·¯´×Àº ÀÌó·³ ¸Å¿ì °£´ÜÇÑ ¾ÆÅ°ÅØó·Î ±¸¼ºµÇ¾î ÀÖ´Ù.
µö·¯´× ¸ðÇü¿¡¼ Àº´ÐÃþÀÇ ¿ªÇÒÀº ºÐ¼®°úÁ¦ ¼º°ú¸¦ ÃÖ´ë·Î Çϱâ À§ÇÑ °í¼öÁØ ´ëÇ¥¼º Ư¼ºº¯¼ö¸¦ ¸¸µé¾î³»´Â °ÍÀ̹ǷΠÀº´ÐÃþ ¼ö°¡ ¸¹À»¼ö·Ï, ±×¸®°í Ư¼ºº¯¼ö ¼ö°¡ ¸¹À»¼ö·Ï µö·¯´× ¸ðÇüÀÇ ¼º´ÉÀº Çâ»óµÈ´Ù. À̸¦ µö·¯´×ÀÌ ±í°í ³Ð´Ù°í ¸»ÇÑ´Ù. ±×·¯³ª µö·¯´× ¸ðÇüÀÌ ±í°í ³ÐÀ¸¸é ÇÊ¿¬ÀûÀ¸·Î ÃßÁ¤ÇØ¾ß ÇÒ ¸ð¼ö°¡ ±Þ°ÝÇÏ°Ô Áõ°¡ÇÏ¿© ¸ð¼öÃßÁ¤ ¹®Á¦¿Í °ú´ëÀûÇÕ(overfit) ¹®Á¦°¡ ¹ß»ýÇÒ ¼ö¹Û¿¡ ¾ø´Ù. ÀÌ µÎ °¡Áö ¹®Á¦¸¦ ÇØ°áÇϱâ À§Çؼ´Â MLP, RNN, CNN ¸ðÇü¿¡¼ ¸ð¼ö ¼ö¸¦ °è»êÇÒ ÁÙ ¾Ë¾Æ¾ß ÇÏ°í, ¸ð¼ö¸¦ ÃßÁ¤ÇÏ´Â ±â¿ï±â ÇÏ°¹ý(gradient descent)°ú ¿ªÀüÆÄ(backpropagation)ÀÇ ±âº»¿ø¸®¿¡ ´ëÇÑ ÀÌÇØ°¡ ¼±ÇàµÇ¾î¾ß ÇÑ´Ù. ¿©±â±îÁö°¡ µö·¯´×ÀÇ ÀÌ·ÐÀÌ¸ç º°´Ù¸¥ ¼öÇÐÀû Áö½ÄÀÌ ¾ø¾îµµ Å« ¾î·Á¿ò ¾øÀÌ ÀÌ·ÐÀû ¹è°æÀ» ´ÙÁú ¼ö ÀÖÀ» ¸¸Å °£´ÜÇÏ
°í ¸í·áÇÏ´Ù.
´ÙÀ½ ´Ü°è¿¡¼´Â »ç¿ëÀÚ Ä£ÈÀû °í¼öÁØ ¾ð¾îÀÎ tf.keras¸¦ ÀÌ¿ëÇÏ¿© MLP, RNN, CNN ¸ðÇüÀ» ½ÇÇàÇØ º½À¸·Î½á µö·¯´× ÀÌ·ÐÀÇ ÀÌÇصµ¸¦ ³ôÀÌ°í, µö·¯´× ¸ðÇüÀ» Á¡Â÷ÀûÀ¸·Î ±í°í ³Ð°Ô ¼³°èÇÏ¿© ¸ð¼öÃßÁ¤ ¹®Á¦¿Í °ú´ëÀûÇÕÀ» Á÷Á¢ °æÇèÇØ º¸¾Æ¾ß ÇÑ´Ù. µ¥ÀÌÅ͸¦ ÇнÀµ¥ÀÌÅÍ(training data), °ËÁõµ¥ÀÌÅÍ(validation data), ±×¸®°í ½ÃÇèµ¥ÀÌÅÍ(test data)·Î ºÐÇÒÇÏ´Â ÀÌÀ¯¿Í °¢ µ¥ÀÌÅÍÀÇ ¿ªÇÒÀ» Á¤È®ÇÏ°Ô ÀÌÇØÇϱâ À§ÇؼÀÌ´Ù. ÀÌ ¼¼ °³ÀÇ µ¥ÀÌÅ͸¦ ÅëÇØ variance¿Í bias¸¦ Á¡°ËÇÏ¿© ¸ðÇüÀÇ °ú¼ÒÀûÇÕ(underfit), °ú´ëÀûÇÕ, ±×¸®°í µ¥ÀÌÅÍÀÇ ÁúÀû Æò°¡¸¦ ÇÑ ÈÄ, °¢ °æ¿ì¿¡ µû¸¥ ÇØ°á¹æ¾ÈÀ» ¸ð»öÇÏ¿©¾ß ÇÑ´Ù. ƯÈ÷, ¸ðÇüÀÇ ¼º´ÉÇâ»óÀ» À§ÇÑ Ãʸð¼ö Á¶Àý ¹æ¹ýµµ Àͼ÷ÇØÁ®¾ß ÇÑ´Ù. ÀÌ ´Ü°è¸¦ µö·¯´×ÀÇ Ãß·Ð(inference)À̶ó°í ¸»ÇÑ´Ù.
´ÙÀ½ ´Ü°è¿¡¼´Â ±âÁ¸ÀÇ µö·¯´× ¸ðÇüÀÌ ¾î¶»°Ô ÁøÈÇÏ°í ¹ßÀüÇß´ÂÁö¸¦ stem-learner-task¶ó´Â ±¸Á¶ ¼Ó¿¡¼ »ìÆ캸¾Æ¾ß ÇÑ´Ù. stemÀº ÀÔ·ÂÃþ°ú Ãʱâ Àº´ÐÃþ ºí·ÏÀ», learner´Â °í¼öÁØ Æ¯¼ºº¯¼ö¸¦ ¸¸µå´Â Áß°£´Ü°è Àº´ÐÃþ ºí·ÏÀ», task´Â Ãâ·ÂÃþ¿¡ ÀԷµǴ ÃÖÁ¾ Àº´ÐÃþ°ú Ãâ·ÂÃþ ºí·ÏÀ» ¸»ÇÑ´Ù. µö·¯´× ¸ðÇüÀ» °¡´ÉÇÑ ÇÑ ±í°í ³Ð°Ô ¼³°èÇϵÇ, ¸ð¼ö¼ö·Å ¹®Á¦°¡ ¹ß»ýÇÏÁö ¾Ê´Â Àº´ÐÃþÀÇ ¼³°è¹æ¹ý°ú °ú´ëÀûÇÕ ¹®Á¦°¡ ¹ß»ýÇÏÁö ¾Êµµ·Ï ¾î¶»°Ô ¸ð¼ö ¼ö¸¦ ÁÙÀÌ´ÂÁö¸¦ ¾Ë±â À§ÇؼÀÌ´Ù.
ÃÖÁ¾ÀûÀ¸·Î °ü½É ºÐ¾ß¿¡ µû¶ó ÄÄÇ»ÅÍ ºñÀü, ÀÚ¿¬¾îó¸®, µ¥ÀÌÅÍ Àç»ý µîÀÇ ºÐ¾ß¸¦ ½ÉÃþÀûÀ¸·Î ÀÌÇØÇØ¾ß ÇÑ´Ù. ÄÄÇ»ÅÍ ºñÀü¿¡¼´Â Faster R-CNN, YOLO-v3, ½ºÅ¸ÀÏ ÀüÀÌ, ÀÚ¿¬¾î󸮿¡¼´Â Transformer, BERT, GPT, µ¥ÀÌÅÍ Àç»ý¿¡¼´Â VAE, CVAE, GAN µî ÃֽŠ¸ðÇüµéÀÇ Æ¯¼º°ú Àå´ÜÁ¡À» ¾Õ¿¡¼ ½ÀµæÇÑ µö·¯´× ¸ðÇüÀÇ ÁøÈ¿Í ¹ßÀüÀ̶ó´Â °üÁ¡¿¡¼ ÆľÇÇÏ...°í °¡´ÉÇÏ¸é °³¼±µÈ ¸ðÇüµµ Á¦½ÃÇÒ ¼ö ÀÖ¾î¾ß ÇÑ´Ù.
ÀÌ·¯ÇÑ µö·¯´× ¸ðÇü¿¡ ´ëÇÑ Áö½Ä½Àµæ °úÁ¤À» ¹Ý¿µÇϱâ À§ÇØ ÀÌ Ã¥Àº ÃÑ 5°³ÀÇ ¡®ºÎ¡¯·Î ±¸¼ºÇÏ¿´À¸¸ç, µö·¯´×ÀÇ ¼³°è ¿ø¸®, ¸ð¼ö¼ö·Å ¹®Á¦ ¹× °ú´ëÀûÇÕ ¹®Á¦ ÇØ°á ¿ø¸®, Ãʸð¼öÁ¶Àý ¿ø¸®, µö·¯´× ¼º´ÉÀÇ ÀúÇϸ¦ ¼ö¹ÝÇÏÁö ¾Ê´Â ¸ð¼ö ¼ö °¨¼Ò ¿ø¸® µî µö·¯´×ÀÇ ¿ø¸®¸¦ ÀÌÇؽÃÅ°´Â µ¥ ÁßÁ¡À» µÎ°í ÀÖ´Ù. À̸¦ À§ÇØ Á¦1ºÎ´Â µö·¯´×ÀÇ ±âÃÊ¿ø¸®, Á¦2ºÎ´Â µö·¯´×ÀÇ ±âº»ÀÀ¿ë°ú Áøȸ¦ Àü¸éºÎ¿¡ ¹èÄ¡ÇÏ¿´´Ù. Á¦°øµÈ ÇÁ·Î±×·¥À» Â÷±ÙÂ÷±Ù ½ÇÇàÇÏ¸é¼ ¸Ó¸´¼Ó¿¡ µö·¯´× ±¸Á¶¿Í ¿ø¸®¸¦ ±×·Á°¡¸é ÃæºÐÈ÷ ÀÌÇØÇÒ ¼ö ÀÖÀ» °ÍÀÌ´Ù. Á¦3ºÎ´Â ÄÄÇ»ÅÍ ºñÀü, Á¦4ºÎ´Â ÀÚ¿¬¾îó¸®, Á¦5ºÎ´Â AutoEncoder¿Í GANÀ¸·Î, µö·¯´× ºÐ¾ßº°·Î µ¶ÀÚÀÇ °ü½É ºÐ¾ß¿¡ µû¶ó ¼±ÅÃÀûÀ¸·Î ½ÉÃþ ÇнÀÇÒ ¼ö ÀÖµµ·Ï ÇÏ¿´´Ù.
ÀÌ Ã¥¿¡ Á¦°øµÈ ÇÁ·Î±×·¥Àº tf.keras·Î ÀÛ¼ºµÇ¾ú±â ¶§¹®¿¡ Jupyter Notebook ¶Ç´Â Ŭ¶ó¿ìµå ±â¹ÝÀÇ Colab¿¡¼ ½Ç½ÀÇÒ ¼ö ÀÖµµ·Ï ÃÖÀûȵǾî ÀÖ´Ù. µ¶ÀÚ ½º½º·Î ÇÁ·Î±×·¥À» ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï °¡´ÉÇÑ ÇÑ »ó¼¼ÇÑ Çؼ³À» ÇÏ¿´À¸¸ç, ÇÊ¿äÇÑ ÇÁ·Î±×·¥°ú µ¥ÀÌÅÍ´Â ÀÚÀ¯¾ÆÄ«µ¥¹Ì ȨÆäÀÌÁö ÀÚ·á½Ç¿¡¼ ´Ù¿î·ÎµåÇÒ ¼ö ÀÖµµ·Ï ÁغñÇÏ¿´´Ù. Á¦2ÆÇ°ú ºñ±³ÇÏ¿© À̹ø Á¦3ÆÇÀÇ Æ¯Â¡Àº µö·¯´×ÀÇ ±âº»¿ø¸®, ¿ÀÂ÷ºÐ¼®À» ÅëÇÑ °ú´ëÀûÇÕ ¹× °ú¼ÒÀûÇÕÀÇ Áø´Ü°ú ÇØ°á¹æ¾È, ±×¸®°í µö·¯´× ¸ðÇüÀÇ ÁøÈÀÇ °üÁ¡¿¡¼ È¿À²ÀûÀÌ°í ¿ì¼öÇÑ ¼º´ÉÀ» °¡Áø µö·¯´×ÀÇ ¼³°è µî¿¡ ÁßÁ¡À» µÎ¾î °³³äÀ» ÀçÁ¤¸³ÇÏ¿´À¸¸ç ÷´Ü µö·¯´× ¸ðÇüÀ» ´ëÆø Ãß°¡ÇÑ °ÍÀ¸·Î ¿ä¾àÇÒ ¼ö ÀÖ´Ù.
ÀÌ Ã¥¿¡ ¼ö·ÏµÈ ¼ö¸¹Àº °³³äµµ¸¦ ±×·ÁÁØ ¹ÚÁø¼¼ ±º¿¡°Ô °¨»çÇÑ ¸¶À½À» ÀüÇÏ°í, ÀÌ Ã¥ÀÌ ³ª¿À±â±îÁö ¹¬¹¬ÇÏ°Ô ¼º¿øÇØ ÁÖ°í Áö¿øÇØÁØ ¾Æ³»¿Í °¡Á·¿¡°Ô »ç¶ûÀÇ ¸¶À½À» ÀüÇÑ´Ù."
-
-
|
¹ÚÀ¯¼º [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. |
|
|
|
|