>
>
Åë°è°è»ê ÀÌ·Ð ¹× ÀÀ¿ë 
Á¤À±½Ä ¤Ó ¸£³×½ÎÀÌ
  • Á¤°¡
48,000¿ø
  • ÆǸŰ¡
48,000¿ø (0% ¡é, 0¿ø ¡é)
  • ¹ßÇàÀÏ
2023³â 06¿ù 10ÀÏ
  • ÆäÀÌÁö¼ö/Å©±â/¹«°Ô
624page/188*259*29/1405g
  • ISBN
9791198061980/1198061987
  • ¹è¼Ûºñ
¹«·á¹è¼Û
  • ¹è¼Û¿¹Á¤ÀÏ
05/07(È­) ¹è¼Û¿Ï·á¿¹Á¤
  • Çö º¸À¯Àç°í
100 ±Ç ÀÌ»ó
  • ÁÖ¹®¼ö·®
±Ç
  • ¹Ù·Î±¸¸Å ºÏÄ«Æ®´ã±â
  • 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.
  • »ó¼¼Á¤º¸
  • 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 ÃÖÀûÈ­¸¦ 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 ÃÖÀûÈ­¸¦ »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÷...
  • 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 ...
  • 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.