|
- 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¥Àº Åë°èÇÐ ºÐ¾ß¿¡¼ Á÷¸éÇÏ°Ô µÇ´Â ¸¹Àº °è»ê ¹®Á¦µéÀ» ÇØ°áÇÏ´Â EM ¾Ë°í¸®Áò, ¸¶¸£ÄÚÇÁüÀθóÅ×Ä«¸¦·Î(Markov chain Monte Carlo, MCMC) ¹× º¯ºÐÃß·Ð(Variational Inference, VI)ÀÎ ¼¼ °¡Áö ¹æ¹ýµéÀ» ¼Ò°³ÇÑ´Ù. À̵éÀ» ±âº»ÀûÀ¸·Î ÇØ°áÇÏ´Â ¸óÅ×Ä«¸¦·Î ¹æ¹ýÀ» ¸ÕÀú ¼³¸íÇÑ´Ù.
ù ¹ø°·Î, ÁÖ·Î ºóµµÁÖÀÇÀÚ(frequentist) °üÁ¡¿¡¼ ÃÖ´ë¿ìµµÃßÁ¤·®À» ±¸Çϱâ À§ÇÏ¿© »ç¿ëµÇ´Â EM ¾Ë°í¸®ÁòÀ¸·Î ³Î¸® ¾Ë·ÁÁø ±â´ë-ÃÖ´ëÈ(Expectation-Maximization) ¾Ë°í¸®ÁòÀ» ´Ù·é´Ù. ÀÌ°ÍÀº ºÒ¿ÏÀü-ÀÚ·á(incomplete-data) ¹®Á¦·Î °¡Àå Àß ¼³¸íµÇ´Â ´Ù¾çÇÑ »óȲµé¿¡¼ ÃÖ´ë¿ìµµÃßÁ¤À» À§ÇÑ ¹ü¿ë ¾Ë°í¸®ÁòÀÌ´Ù.
µÎ ¹ø°·Î, Áö³ 30³â µ¿¾È ¶Ç´Â ±× ÀÌ»ó º£ÀÌÁö¾ÈÅë°èÇÐÀڵ鿡°Ô °¡Àå ¿µÇâ·ÂÀ» ¹ÌÄ£ ¸¶¸£ÄÚÇÁüÀθóÅ×Ä«¸¦·Î ¹æ¹ýµéÀº Åë°è°è»êÀ» Çõ½ÅÇÏ¿´À¸¸ç, ¿©±â¼ À̸¦ ´Ù·ç°íÀÚ ÇÑ´Ù. ±×µéÀº º¹ÀâÇÑ ¸ðÇüµéÀ» °¡Á¤ÇÏ°í ¼ö»ê°úÇÐ ¹× °æÁ¦Çаú °°Àº ´Ù¾çÇÑ ³î¶ó¿î ºÐ¾ßµé¿¡¼µµ »ç¿ëÀ» Çã¿ëÇÔÀ¸·Î½á ½É¿ÀÇÏ°Ô º£ÀÌÁö¾ÈÅë°èÇÐÀÇ ÀÀ¿ë¿¡ »ó´çÇÑ ¿µÇâÀ» ¹ÌÃÆ´Ù. ¹°·Ð º£ÀÌÁö¾Èµé¸¸ÀÌ MCMC¸¦ »ç¿ëÇÏ¿© ÇýÅÃÀ» º¼ ¼ö ÀÖ´Â À¯ÀÏÇÑ °ÍµéÀÌ ¾Æ´Ï°í, ´Ù¸¥ Åë°è ¼³Á¤¿¡¼µµ MCMCÀÇ »ç¿ëµéÀÌ °è¼Ó Áõ°¡ÇÏ°í ÀÖ´Ù. MCMCÀÇ ½ÇÁúÀûÀÎ Á߿伺Àº ¶ÇÇÑ ±Ùº»ÀûÀÎ ¸¶¸£ÄÚÇÁüÀÎ À̷п¡ ´ëÇÑ ±¤¹üÀ§ÇÏ°í ½ÉÃþÀûÀÎ Á¶»ç¸¦ Ã˹߽ÃÄ×´Ù. ¸¶¸£ÄÚÇÁüÀθóÅ×Ä«¸¦·Î ¹æ¹ýµéÀº Åë°è°è»êÀ» ´õ¿í´õ Çõ½ÅÇÏ¿´´Ù. MCMC ¹æ¹ýÀÇ »ç¿ëÀÌ ¼º¼÷ÇÔ¿¡ µû¶ó ´õ ±íÀº ÀÌ·ÐÀû Áú¹®µéÀÌ ÇØ°áµÇ°í, ´õ º¹ÀâÇÑ ÀÀ¿ë ÇÁ·Î±×·¥ÀÌ ¼öÇàµÇ¸ç, ±× »ç¿ëÀÌ »õ·Î¿î ¿¬±¸ ºÐ¾ß·Î È®»êµÇ¾î °£´Ù. ÀÌ Ã¥Àº ±¤¹üÀ§ÇÑ Ã»ÁßÀ» À§ÇÑ Âü°í ÀÚ·á°¡ µÇ°í MCMC ¹æ¹ý·ÐÀÇ °³¹ßÀÚ¿Í »ç¿ëÀÚ ¸ðµÎ¿¡°Ô »ç¿ëµÉ ¼ö ÀÖ´Ù. ÀÌ ÀåÀº ±âº» ÀÌ·Ð, ¾Ë°í¸®Áò ¹× ÀÀ¿ë ÇÁ·Î±×·¥¿¡ Àͼ÷Çϱ⸦ ¿øÇÏ´Â MCMC¿¡ ´ëÇÑ »õ·Î¿î ¿¬±¸¿øµé»Ó¸¸ÀÌ ¾Æ´Ï¶ó ´ëÇпø»ýÀÇ ÀÌÇظ¦ µ½±â À§ÇÑ ÀÔ¹® ³»¿ëµéÀÌ ÀÖ´Ù. ÀÌ Ã¥Àº ¶ÇÇÑ »õ·Ó°í Áøº¸µÈ MCMC ¹æ¹ýµéÀÇ °³¹ß ¶Ç´Â ÀÀ¿ë¿¡ °ü·ÃµÈ »ç¶÷µé¿¡°Ô Ưº°ÇÑ °ü½ÉÀÌ ÀÖ´Ù.
¸¶Áö¸·À¸·Î, Çö´ë Åë°èÇÐÀÇ ÇÙ½É ¹®Á¦ Áß Çϳª´Â °è»êÇϱ⠾î·Á¿î È®·ü¹Ðµµ¸¦ ±Ù»çÇÏ´Â °ÍÀÌ´Ù. ÀÌ ¹®Á¦´Â ¾Ë ¼ö ¾ø´Â Á¤·®µé¿¡ ´ëÇÑ ¸ðµç Ãß·ÐÀ» »çÈĹеµ¿Í °ü·ÃµÈ °è»êÀ¸·Î ±¸¼ºÇÏ´Â º£ÀÌÁö¾ÈÅë°èÇп¡¼ ƯÈ÷ Áß¿äÇÏ´Ù. º¯ºÐÃß·Ð(variational inference, VI)Àº ÃÖÀûȸ¦ ÅëÇØ È®·ü¹Ðµµ¸¦ ±Ù»çÇÏ´Â ±â°èÇнÀ ¹æ¹ýÀÌ´Ù. º¯ºÐÃß·ÐÀº MCMC ¾Ë°í¸®Áò¿¡ ´ëÇÑ ´ë¾ÈÀû Àü·«À¸·Î º£ÀÌÁî ¸ðÇüµé¿¡ ´ëÇÑ »çÈĹеµ¸¦ ±Ù»çÇÏ´Â µ¥ ³Î¸® »ç¿ëµÈ´Ù. VI´Â ¸¹Àº ÀÀ¿ë ºÐ¾ß¿¡¼ »ç¿ëµÇ¸ç, °íÀüÀû ¹æ¹ýÀÎ MCMCÀÇ Á¤È®µµ¸¦ ÀϺΠÈñ»ý½ÃÅ°Áö¸¸ °è»ê ¼Óµµ Ãø¸é¿¡¼´Â ¾öû³ °³¼±À» Á¦°øÇÑ´Ù. ´ë±Ô¸ð ¹®¼ÀÇ Çؼ®, Àü»ê ½Å°æ°úÇÐ ¹× ÄÄÇ»ÅÍ ºñÀü°ú °°Àº ¹®Á¦µé¿¡ Àß Àû¿ëµÇ¾ú´Ù. ¶ÇÇÑ µ¿±â ºÎ¿©°¡ µÇ´Â ¿¹·Î´Â È®·üÀû ±×·¡ÇÁ ¸ðÇü, Àº´Ð ¸¶¸£ÄÚÇÁ ¸ðÇü, °èÅë¼ö(phylogenetic trees) µîÀÌ Æ÷ÇԵȴÙ. VIÀÇ ¾ÆÀ̵ð¾î´Â ¸ÕÀú ¹ÐµµµéÀÇ Á·À» °¡Á¤ÇÏ°í, ¸ñÇ¥ ¹Ðµµ¿¡ °¡±î¿î Á·ÀÇ ¼ººÐÀ» ã´Â °ÍÀÌ´Ù. °¡±î¿òÀº Äð¹é-¶óÀÌºí·¯ ¹ß»ê¿¡ ÀÇÇØ ÃøÁ¤µÈ´Ù. Æò±ÕÀå(mean-field)ÀÇ º¯ºÐÃß·Ð ¹èÈÄ¿¡ ÀÖ´Â ¾ÆÀ̵ð¾î¸¦ º¹½ÀÇÏ°í, Áö¼ö-Á· ¸ðÇü¿¡ Àû¿ëµÇ´Â VIÀÇ Æ¯º°ÇÑ °æ¿ì¿¡ ´ëÇØ ³íÀÇÇÏ°í, º£ÀÌÁö¾È °¡¿ì½Ã¾È È¥ÇÕºÐÆ÷µéÀ» ¿¹Á¦µé·Î Á¦½ÃÇÏ°í, È®·üÀû ÃÖÀûȸ¦ »ç¿ëÇÏ¿© ´ë±Ô¸ð ÀÚ·á·Î È®ÀåÇÏ´Â º¯ÇüÀ» µµÃâÇÑ´Ù. VI´Â Çö´ë ¿¬±¸¿¡¼ °·ÂÇÏÁö¸¸ ¾ÆÁ÷µµ ÇØ°áÇÏÁö ¸øÇÑ Áß¿äÇÑ ¹®Á¦µéÀÌ ¸¹ÀÌ ÀÖÀ½À» °Á¶ÇÑ´Ù.
ÀÌ Ã¥Àº ÇкΠÅë°èÇÐÀü°ø ½ÉÈ°úÁ¤ ¹× ´ëÇпø»ýÀ» ´ë»óÀ¸·Î ÇÑ ±³°ú¼ÀÌ´Ù. µ¶ÀÚ°¡ ¸óÅ×Ä«¸¦·Î ±â¹ý(¿¹: È®·üº¯¼ö »ý¼º) ¶Ç´Â ¸¶¸£ÄÚÇÁüÀÎ À̷п¡ Àͼ÷...ÇÏ´Ù°í °¡Á¤ÇÏÁö ¾Ê´Â´Ù.
-
-
Á¦1Àå ¸óÅ×Ä«¸¦·Î(Monte Carlo) ¹æ¹ý
1.1 ¸óÅ×Ä«¸¦·Î ¹æ¹ý 3
1.2 ÇÕ¼º¹æ¹ý 6
1.3 ±â°¢Ç¥Áý ¹æ¹ý 9
1.4 ÀûÀÀÀû ±â°¢Ç¥Áý(Adaptive Rejection Sampling, ARS) 13
1.5 Áß¿äµµ Ç¥Áý¹ý(Importance Sampling) 15
1.6 Ç¥Áý Áß¿äµµ ÀçÇ¥Áý¹ý(Sampling-Importance Resampling, SIR) 19
Á¦2Àå EM ¾Ë°í¸®Áò
2.1 EM(Expectation-Maximization) ¾Ë°í¸®ÁòÀÇ ±âº»°³³ä 24
2.2 EM ¾Ë°í¸®ÁòÀÇ ¿¹Á¦µé 52
2.3 EM ¾Ë°í¸®ÁòÀÇ ¼öÇÐÀû ÀÌ·Ð 73
2.4 Ç¥ÁØ¿ÀÂ÷ ¹× ¼ö·Å°¡¼Ó 101
2.4.1 °üÃøÁ¤º¸Çà·Ä 102
2.5 EM ¾Ë°í¸®ÁòÀÇ È®Àå 121
2.6 EM ¾Ë°í¸®ÁòÀÇ ¸óÅ×Ä«¸¦·Î ¹öÀü 186
2.7 MM ¾Ë°í¸®Áò 200
2.7.1 MM ¾Ë°í¸®ÁòÀÇ ¿ø¸® 202
Á¦3Àå ¸¶¸£ÄÚÇÁüÀθóÅ×Ä«¸¦·Î(MCMC)
3.1 º£ÀÌÁö¾È Ã߷аú ±é½º»ùÇ÷¯ÀÇ ¼Ò°³ 214
3.2 ¸¶¸£ÄÚÇÁ »ç½½ÀÇ ÀϹÝÀû °³³ä 229
3.3 MCMCÀÇ ±¸¼º, Ãâ·ÂÀÇ »ç¿ë ¹× ¼ö·ÆÁø´Ü 258
3.4 ±é½º»ùÇ÷¯ 271
3.5 ºÐÇÒ »ùÇ÷¯(Slice Sampler) 305
3.6 ¸ÞÆ®·ÎÆú¸®½º-ÇϽºÆýº »ùÇ÷¯(Metropolis-Hastings sampler, MH) 312
3.7 ´Ù¾çÇÑ º£ÀÌÁö¾È ¸ðÇüµé 346
3.8 MCMC ¼ö·Å¼º 375
3.9 º¯¼öÂ÷¿ø ¸ðÇü ¹× °¡¿ª Á¡ÇÁ MCMC ...414
Á¦4Àå º¯ºÐÃß·Ð(Variational Inference, VI)
4.1 ¼·Ð 448
4.2 º¯ºÐÃß·ÐÀÇ °³³ä 453
4.3 º¯ºÐÀû ´Ùº¯·® Á¤±ÔÈ¥ÇÕ¸ðÇü 472
4.4 º¯ºÐȸ±Í¸ðÇü(Variational Regression Model) 480
4.5 º¯ºÐÁ¤±Ô¼±ÇüÈ¥ÇÕÈ¿°ú¸ðÇü 486
4.6 º¯ºÐÀû ÇÁ·Îºø ȸ±Í¸ðÇü 490
4.7 Áö¼ö-Á·¿¡¼ º¯ºÐÃß·Ð 492
4.8 È®·üº¯ºÐÃß·Ð(Stochastic Variational Inference, SVI) 495
4.9 º¯ºÐÀû EM ¹æ¹ý 499
4.10 ±¹¼ÒÀû º¯ºÐ ¹æ¹ý 528
4.11 ±â´ñ°ª ÀüÆÄ(Expectation Propagation, EP) 541
4.12 º¯ºÐÃß·ÐÀÇ ÀÌ·Ð 550
4.13 ÀϹÝÈ ¼±ÇüÈ¥ÇÕ¸ðÇü¿¡ ´ëÇÑ Á¤±Ôº¯ºÐ±Ù»çÃß·Ð 551
4.14 º¯ºÐÀû ºóµµÁÖÀÇÀÚ Ãß·Ð 567
Âü°í¹®Çå 571
£¿£¿Ã£¾Æº¸±â 602
-
-
|
Á¤À±½Ä [Àú]
|
|
-
ºÎ»ê´ëÇб³ Åë°èÇаú ¸í¿¹±³¼ö, ÇöÀç Çѱ¹º£ÀÌÁö¾È Åë°è¤ý°æÁ¦¿¬±¸¿øÀåÀÌ´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. |
|
|
|
|