|
|
|
ÆÄÀ̽ãÀ» ÀÌ¿ëÇÑ Åë°èÀû ¸Ó½Å·¯´×
|
|
|
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.
-
-
-
¸Ó½Å·¯´×Àº ÁÖ¾îÁø µ¥ÀÌÅ͸¸À» ÀÌ¿ëÇÏ¿© ¿¹Ãø, ºÐ·ù, Â÷¿øÃà¼Ò, »ý¼º, Àç»ý µîÀ» ½ÇÇàÇÏ´Â µ¥ÀÌÅÍ°úÇÐ ¸ðÇüÀ» ¸»ÇÑ´Ù. Åë°èÇп¡¼´Â µ¥ÀÌÅÍ¿¡ ´ëÇÑ °¡Á¤À» ¹ÙÅÁÀ¸·Î »ó´çÇÑ ¼öÁØÀÇ Åë°èÀû, ¼öÇÐÀû Áö½ÄÀ» ÀÌ¿ëÇÏ¿© ÃßÁ¤, °ËÁ¤, ¿¹Ãø µîÀÇ Åë°èÀû Ãß·ÐÀ» ÇÏ°Ô µÈ´Ù.
±×·¯³ª ¸Ó½Å·¯´×Àº µ¥ÀÌÅÍ¿¡ ´ëÇÑ °¡Á¤ ¾øÀÌ ÁÖ¾îÁø µ¥ÀÌÅ͸¸À¸·Î ÁÁÀº Åë°èÀû Ãß·ÐÀ» µµÃâÇÒ ¼ö ÀÖµµ·Ï µ¥ÀÌÅÍÀÇ split, sample weights, resampling, randomization µîÀ¸·Î Åë°èÇÐÀÇ ±âº»Á¶°ÇÀ» ÃæÁ·½ÃÅ°°í ÀÖ´Ù. ±×·¯¹Ç·Î Åë°èÇÐÀÇ ±âº»Á¶°ÇÀÌ ¹«¾ùÀÎÁö¸¦ ¾Ë¾Æ¾ß ¸Ó½Å·¯´×ÀÇ ±Ù°£À» ÀÌÇØÇÒ ¼ö ÀÖ°í À̸¦ ¹ÙÅÁÀ¸·Î ÀڽŸ¸ÀÇ ¼º´ÉÀÌ ¿ì¼öÇÑ ¸Ó½Å·¯´× ¸ðÇüÀ» °³¹ßÇÒ ¼ö ÀÖ´Ù.
-
-
Chapter 1 Åë°èÇÐÀÇ ¿ø¸®¿Í ¸Ó½Å·¯´×
1.1 ÁÁÀº µ¥ÀÌÅͶõ?
1.2 ¸ðÇü°ú ¿ÀÂ÷Ç×ÀÇ ¿ªÇÒ
1.3 µ¥ÀÌÅÍÀÇ split, weight, ±×¸®°í resampling
1.4 Åë°èÀû ¸Ó½Å·¯´×, µö·¯´×, ±×¸®°í °ÈÇнÀ
1.5 AI ¸ðÇü°ú ¼Õ½ÇÇÔ¼ö
1.6 ÀÚ·áºÐ¼® ÀýÂ÷, ¸ðÇüÀÇ ¿ä¾à
1.7 Data Scientist¿¡ ÇÊ¿äÇÑ AI Áö½Ä
Chapter 2 »çÀü°úÁ¤°ú ÃÖÀûÈ
2.1 ½Ç¼öÀÚ·á·ÎÀÇ Àüȯ
2.2 ÀÚ·áÀÇ Æ¯¼º
2.3 »ç·ÊºÐ¼®
2.4 ºÒ±ÕÇüÀÚ·áÀÇ Ã³¸®
2.5 Ư¼ºº¯¼öÀÇ ¼±ÅÃ
2.6 ¼Õ½ÇÇÔ¼ö¿Í ÃÖÀûÈ
Chapter 3 µ¥ÀÌÅÍ ½Ã°¢È
3.1 AutoViz
3.2 Bamboolib
3.3 Plotly
Chapter 4 K-Nearest Neighbors
4.1 KNNÀÇ Àû¿ë
4.2 Ä¿³ÎºÐÆ÷ÇÔ¼ö ÃßÁ¤
Chapter 5 ·ÎÁö½ºÆ½ ȸ±Í ºÐ·ù
5.1 ÀûÀÀ¼±Çü´º·±
5.2 ·ÎÁö½ºÆ½ ȸ±Í
5.3 °ú´ëÀûÇÕ¿¡ ´ëÇÑ ±ÔÁ¦È
5.4 ScikitÀ» ÀÌ¿ëÇÑ ·ÎÁö½ºÆ½ ȸ±Í
Chapter 6 ÆǺ°ºÐ¼®°ú ´Ü¼øº£ÀÌÁî¸ðÇü
6.1 ÆǺ°ºÐ¼®
6.2 ´Ü¼øº£ÀÌÁî¸ðÇü
6.3 Scikit learnÀ» ÀÌ¿ëÇÑ LDA¿Í ´Ü¼øº£ÀÌÁî¸ðÇü
Chapter 7 ºÐ·ù¿Í ȸ±Í³ª¹«
7.1 ȸ±Í³ª¹«
7.2 ºÐ·ù³ª¹«
7.3 Scikit learnÀ» ÀÌ¿ëÇÑ ÀÇ»ç°áÁ¤³ª¹«
Chapter 8 ½áÆ÷Æ®º¤Å͸ӽÅ
8.1 ½áÆ÷Æ®º¤Å͸ӽÅ
8.2 Ä¿³Î SVM
8.3 SklearnÀ» ÀÌ¿ëÇÑ SVM
Chapter 9 Â÷¿øÃà¼Ò
9.1 ƯÀÕ°ª ºÐÇØ
9.2 È®·üÈ PC...A
9.3 Ä¿³Î PCA
9.4 ¿äÀκм®
9.5 ¼±ÇüÆǺ°ºÐ¼®À» ÅëÇÑ Â÷¿øÃà¼Ò
9.6 ½Ã°¢È¸¦ À§ÇÑ Â÷¿øÃà¼Ò
9.7 SklearnÀ» ÀÌ¿ëÇÑ Â÷¿øÃà¼Ò
Chapter 10 ¿ÀÂ÷ºÐ¼®, ÀÚ·áºÐÇÒ, Ãʸð¼ö Á¶Àý
10.1 ¿ÀÂ÷ºÐ¼®
10.2 ÀÚ·á ºÐÇÒ
10.3 Ãʸð¼ö Á¶Àý
10.4 ±³Â÷°ËÁõ
Chapter 11 ȸ±ÍºÐ¼®
11.1 ¼±Çüȸ±Í¸ðÇü
11.2 Quantile ȸ±Í
11.3 ·Î¹ö½ºÆ® ȸ±Í
11.4 SVM ȸ±Í¿Í Ä¿³Î SVM ȸ±Í
11.5 ±ÔÁ¦ÈµÈ ¼±Çüȸ±Í¸ðÇü
11.6 Scikit learnÀ» ÀÌ¿ëÇÑ È¸±ÍºÐ¼®
Chapter 12 ±ºÁý
12.1 K-means ±ºÁý
12.2 °èÃþÀû ±ºÁý
12.3 DBSCAN°ú HDBSCAN
12.4 Scikit learnÀ» ÀÌ¿ëÇÑ ±ºÁý
Chapter 13 ¾Ó»óºíÇнÀ
13.1 Bagging, Pasting, ±×¸®°í Random forest
13.2 ¾Ó»óºíÇнÀÀ» À§ÇÑ Åë°èÀû ¸Ó½Å·¯´×ÀÇ Æ¯¼º
13.3 ¾Æ´ÙºÎ½ºÆ®
13.4 ±â¿ï±âºÎ½ºÆÃ
13.5 XGBoost
13.6 LightGBM
13.7 CatBoost
13.8 Àû¿ë»ç·Ê
Chapter 14 XGBoost, LightGBM, CatBoostÀÇ ºñ±³¿Í Ư¼º
14.1 ÀüÅëÀû Åë°è¸ðÇü°úÀÇ ºñ±³: ȸ±Í
14.2 XGBoost, LightGBM, CatBoost¿¡¼ÀÇ Æ¯¼ºº¯¼öÀÇ Áß¿äµµ¿Í È¿°ú
14.3 ÀüÅëÀû Åë°è¸ðÇü°úÀÇ ºñ±³: ºÐ·ù
Chapter 15 Bagging°ú Boosting
15.1 Decision Tree
15.2 Random Forest
15.3 Gradient Boosting
15.4 ºÐ·ù
Chapter 16 XGBoost, LightGBM, CatBoostÀÇ Ãʸð¼öÀÇ Æ¯¼º°ú Æ©´×
16.1 ¼ö·Å¼Óµµ ºñ±³
16.2 Ãʸð¼öÀÇ ºñ±³¿Í Æ©´×
16.3 ºÒ±ÕÇüÀÚ·áÀÇ Ã³¸®
Chapter 17 ¸ÞŸ¸ðÇü°ú ¸ðÇüÀÚµ¿È
17.1 ¸ÞŸ¸ðÇü
17.2 ¸ðÇüÀÇ ÀÚµ¿È
Chapter 18 °¨¼ººÐ¼®
18.1 °¨¼ººÐ¼®
18.2 ÆÄÀ̽ãÀ» ÀÌ¿ëÇÑ »ç·Ê ºÐ¼®
Âü°í¹®Çå
¿¬½À¹®Á¦ Çؼ³
ã¾Æº¸±â
-
-
¸Ó½Å·¯´×Àº ÁÖ¾îÁø µ¥ÀÌÅ͸¸À» ÀÌ¿ëÇÏ¿© ¿¹Ãø, ºÐ·ù, Â÷¿øÃà¼Ò, »ý¼º, Àç»ý µîÀ» ½ÇÇàÇÏ´Â µ¥ÀÌÅÍ°úÇÐ ¸ðÇüÀ» ¸»ÇÑ´Ù. Åë°èÇп¡¼´Â µ¥ÀÌÅÍ¿¡ ´ëÇÑ °¡Á¤À» ¹ÙÅÁÀ¸·Î »ó´çÇÑ ¼öÁØÀÇ Åë°èÀû, ¼öÇÐÀû Áö½ÄÀ» ÀÌ¿ëÇÏ¿© ÃßÁ¤, °ËÁ¤, ¿¹Ãø µîÀÇ Åë°èÀû Ãß·ÐÀ» ÇÏ°Ô µÈ´Ù. ±×·¯³ª ¸Ó½Å·¯´×Àº µ¥ÀÌÅÍ¿¡ ´ëÇÑ °¡Á¤ ¾øÀÌ ÁÖ¾îÁø µ¥ÀÌÅ͸¸À¸·Î ÁÁÀº Åë°èÀû Ãß·ÐÀ» µµÃâÇÒ ¼ö ÀÖµµ·Ï µ¥ÀÌÅÍÀÇ split, sample weights, resampling, randomization µîÀ¸·Î Åë°èÇÐÀÇ ±âº»Á¶°ÇÀ» ÃæÁ·½ÃÅ°°í ÀÖ´Ù. ±×·¯¹Ç·Î Åë°èÇÐÀÇ ±âº»Á¶°ÇÀÌ ¹«¾ùÀÎÁö¸¦ ¾Ë¾Æ¾ß ¸Ó½Å·¯´×ÀÇ ±Ù°£À» ÀÌÇØÇÒ ¼ö ÀÖ°í À̸¦ ¹ÙÅÁÀ¸·Î ÀڽŸ¸ÀÇ ¼º´ÉÀÌ ¿ì¼öÇÑ ¸Ó½Å·¯´× ¸ðÇüÀ» °³¹ßÇÒ ¼ö ÀÖ´Ù.
Åë°èÇÐÀÇ ±âº»Á¶°ÇÀº ÁÖ¾îÁø µ¥ÀÌÅÍ°¡ ¹ÌÁöÀÇ ¸ðÁý´ÜÀ¸·ÎºÎÅÍÀÇ ÀÓÀÇÇ¥º»À̸ç, ÀÌ·¯ÇÑ ÀÓÀÇÇ¥º»Àº ¹Ýº¹Çؼ ÃßÃâÇÒ ¼ö ÀÖ´Ù´Â °¡Á¤ÀÌ´Ù. ÀÓÀÇÇ¥º»À̶õ Ç¥º»ÀÌ ¹ÌÁöÀÇ ¸ðÁý´ÜÀ¸·ÎºÎÅÍ ÇÏ°Ô ÃßÃâµÇ¾ú´Ù´Â Àǹ̷Î, °£´ÜÇÏ°Ô ¸»Çؼ ÁÖ¾îÁø µ¥ÀÌÅÍ°¡ ¹ÌÁöÀÇ ¸ðÁý´ÜÀ» Àß ´ëÇ¥ÇÏ°Ô »ÌÇû´Ù´Â ¸»ÀÌ µÈ´Ù. µÎ ¹ø° °¡Á¤ÀÎ ¹Ýº¹Àû ÀÓÀÇÇ¥º»ÃßÃâÀº Åë°èÇÐÀÇ ÀÌ·ÐÀû Ãß·ÐÀ» °¡´ÉÇÏ°Ô ÇÏ¿© ¼ö¸®Åë°èÇаú È®·ü·ÐÀÇ ±Ù°£À» Á¦°øÇÑ´Ù.
±×·¯³ª ½ÇÁ¦ ¹®Á¦¿¡¼´Â µ¥ÀÌÅͼ Çϳª¸¸ °üÃøµÇ¾úÀ» »ÓÀÌ´Ù. ¸Ó½Å·¯´×¿¡¼´Â µ¥ÀÌÅÍÀÇ shufflingÀ» ÀüÁ¦·Î ÇÑ split°ú resamplingÀ» ÅëÇØ, Åë°èÇÐÀÇ ÀÓÀÇÇ¥º»°ú ¹Ýº¹ÃßÃâµÈ ÀÓÀÇÇ¥º»À» ½ÇÁ¦·Î ±¸ÇöÇؼ ´Ù¾çÇÑ Åë°èÀû Ãß·ÐÀ» ÇÏ°Ô µÈ´Ù. ÀÌ ÀÌ»óÀÇ Ãß°¡ÀûÀÎ ¼öÇÐÀû, Åë°èÀû Áö½ÄÀº ºÒÇÊ¿äÇÏ´Ù. Åë°èÇп¡¼Ã³·³ ¸ðÇüÀº ¸ÂÁö¸¸ ¸ðÇü¿¡ ÀÖ´Â ¸ð¼ö¸¸ ¸ð¸¥´Ù´Â ºÒÇÕ¸®ÇÑ °¡Á¤µµ ÇÏÁö ¾ÊÀ¸¸ç, ´ÜÁö µ¥ÀÌÅÍÀÇ splitÀ» ÅëÇØ ¸ðÇüÀÌ ¸Â´ÂÁö ±×¸®°í ¸ð¼öÃßÁ¤ÀÌ Á¦´ë·Î µÇ¾ú´ÂÁö¸¦ ½±°Ô Á¡°ËÇÒ ¼ö ÀÖ´Ù. resamplingÀ» ÅëÇØ º¸´Ù Á¤¹ÐÇÑ Åë°èÀû Ãß·ÐÀÌ °¡´ÉÇÏ°í ƯÈ÷ baggingÀ̶ó´Â ¾Ó»óºí·¯´×À» ½ÇÇàÇÒ ¼ö ÀÖ´Ù. Ç¥º»º° Áß¿äµµ¿¡ µû¶ó °¡ÁßÄ¡¸¦ ºÎ¿©ÇÏ´Â °ÍÀ» Ç¥º» weights¶ó°í ÇÑ´Ù. Ç¥º» weight´Â K-nearest neighborhood¸¦ ±â¹ÝÀ¸·Î ÇÏ´Â ¸ðµç Åë°èÀû ±â¹ý°ú ÃÖ÷´Ü ¸ðÇüÀÎ boosting¿¡¼ »ç¿ëÇÏ¸ç ¸Ó½Å·¯´×¿¡¼ ¸ð¼ö¸¦ ÃßÁ¤Çϱâ À§ÇÑ ¸ñÀûÇÔ¼öÀÎ ¼Õ½ÇÇÔ¼ö¿¡ ÀÌ¿ëµÈ´Ù. randomizationÀº ¸ðÇüÀÌ ºÒÇÊ¿äÇÑ ÀâÀ½(noise)¸¶Àú ÇнÀÇß´ÂÁö¸¦ Á¡°ËÇÏ´Â Áß¿äÇÑ ¼ö´ÜÀÌ´Ù.
±×·¯¹Ç·Î split, sample weights, resampling, ±×¸®°í randomization¶ó´Â keyword¸¦ °¡Áö°í ÀÌ Ã¥À» Àаí ÀÌÇØÇÑ´Ù¸é ¿©·¯ºÐÀº Åë°èÀû ±âº»¿ø¸®¿Í ¸Ó½Å·¯´×ÀÇ ¹æ¹ý·ÐÀÌ ¾î¶»°Ô À¶ÇյǾú´ÂÁö¸¦ ½ÀµæÇß´Ù°í »ý°¢Çصµ µÈ´Ù. ±×·¯¸é ÀÌ Ã¥ÀÇ ÁÖÁ¦ÀÎ Åë°èÀû ¸Ó½Å·¯´×¿¡ ÀÌ¾î¼ °øºÎÇØ¾ß ÇÒ µö·¯´×, °ÈÇнÀ, XAI, ±×¸®°í ÇÊ¿ä½Ã ½Ã°è¿ºÐ¼®±îÁö AI ºÐ¼® ¸ðÇüµéÀÇ ¿©ÇàÀ» Å« ¾î·Á¿ò ¾øÀÌ ³ª¾Æ°¥ ¼ö ÀÖÀ» °ÍÀÌ´Ù. ÀÌ·¯ÇÑ °üÁ¡¿¡¼ Á¦1ÀåÀ» ²Ä²ÄÈ÷ ÀÐ¾î º¸°í ÁÖ¾îÁø Äڵ带 ½ÇÇàÇØ º¸´Â °ÍÀº ¾ÕÀÇ ³× °¡Áö keywords¸¦ üÇèÀûÀ¸·Î ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï ÇØÁØ´Ù.
ÁÁÀº Ã¥À» À§ÇØ ÃÖ¼±À» ´ÙÇßÁö¸¸ ºÎÁ·ÇÑ ºÎºÐÀÌ ÀÖÀ» ¼ö ÀÖ´Ù. ÀÌ Á¡Àº ¾çÇظ¦ ¹Ù¶ó¸ç, Ãâ°£ ÈÄ¿¡ ³ª¿Ã ¼ö ÀÖ´Â ¼öÁ¤»çÇ× µîÀº ÀÚÀ¯¾ÆÄ«µ¥¹Ì ȨÆäÀÌÁö ÀÚ·á½Ç(www.freeaca.com)¿¡ Á¦°øÇÒ ¿¹Á¤ÀÌ´Ï Âü°í ¹Ù¶õ´Ù. ³¡À¸·Î ÀÌ Ã¥ÀÇ °³³äµµ¸¦ ±×·ÁÁØ ¹ÚÁø¼¼ ±º¿¡°Ô °¨»çÀÇ ¸¶À½À» ÀüÇϸç, ²÷ÀÓ¾ø´Â ¼º¿ø°ú »ç¶ûÀ¸·Î Áö¿øÀ» ¾Æ³¢Áö ¾ÊÀº »ç¶ûÇÏ´Â ¾Æ³»¿Í µþ¾ÆÀÌ¿¡°Ôµµ °¨»çÇÑ ¸¶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. |
|
|
|
|