¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®ÁîÀÇ ½Ã¸®Áî »óǰÀÌ Àüü 77Á¾ÀÔ´Ï´Ù.
±âº»¼ø | ¹ßÇàÀϼø | ÆÇ¸Å·®¼ø | »óǰ¸í¼ø | ÆòÁ¡¼ø | ¸®ºä¼ø | °¡°Ý¼ø ǰÀý/ÀýÆÇ»óǰ
ºÏīƮ´ã±â

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

°í°´ ¸®ÅÙ¼ÇÀÇ Àü·« : µ¥ÀÌÅ͸¦ ÅëÇØ °í°´ ÀÌÅ»À» ¸·¾Æ¶ó
¿øÁ¦ :Fighting Churn with Data / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
Ä® °ñµå Àú/Á¤ÇöÁö ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2022.06.30
40,000¿ø | 36,000¿ø (10%¡é) + 2,000P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
¹Ýº¹ÀûÀÎ ¼öÀͰú ÆÇ¸Å¿¡ ÀÇÁ¸ÇÏ´Â ¸ðµç ºñÁî´Ï½º¿¡¼­ °í°´ÀÇ È°µ¿¼º°ú Âü¿©¸¦ À¯ÁöÇÏ´Â °ÍÀº ¸Å¿ì Áß¿äÇÏ´Ù. °í°´ÀÇ ÀÌÅ»Àº ºñ¿ëÀÌ ¸¹ÀÌ µé°í, ȸ»ç¿¡ ÁÂÀý°¨À» ÁÙ ¼ö ÀÖ´Ù. ÀÌ Ã¥¿¡¼­ ¼³¸íÇÏ´Â ±â¼úÀ» Àû¿ëÇÔÀ¸·Î½á ÀÌÅ»ÀÇ °æ°í ½ÅÈ£¸¦ ½Äº°ÇÏ°í °í°´ÀÌ ¶°³ª±â Àü¿¡ °í°´À» Àâ´Â ¹æ¹ýÀ» ¹è¿ï ¼ö ÀÖ´Ù. ½ÇÁ¦ »ç¿ë »ç·Ê°¡ Æ÷ÇÔµÈ ÀÌ Ã¥¿¡¼­´Â ·Î¿ì µ¥ÀÌÅ͸¦ ÃøÁ¤ °¡´É...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

µ¥ÀÌÅÍÀÇ ¹ÌÇÐ : ºòµ¥ÀÌÅÍ ±â¼ú¿¡¼­ µ¥ÀÌÅÍ °úÇÐÀÚ±îÁö µ¥ÀÌÅÍ¿¡ °üÇÑ ¸ðµç °Í
¿øÁ¦ :Beautiful Data / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
Åäºñ ¼¼°¡¶õ Àú/°ø»óÈÖ ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2013.06.28
35,000¿ø | 31,500¿ø (10%¡é) + 1,750P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
¡ºµ¥ÀÌÅÍÀÇ ¹ÌÇС»Àº ¿©·¯ ºÐ¾ßÀÇ µ¥ÀÌÅÍ Ã³¸®¿¡ ´ëÇÑ ´Ù¾çÇÑ ½Ãµµ¿Í °æÇè¿¡ Á÷Á¢ Âü¿©ÇÑ Àü¹®°¡µéÀÌ µé·ÁÁÖ´Â »ý»ýÇÑ ±â·ÏµéÀÌ ´ã±ä Ã¥ÀÌ´Ù. ÃÖ±Ù Àü ¼¼°èÀûÀ¸·Î Å« °ü½ÉÀ» ¹Þ°í ÀÖ´Â ºòµ¥ÀÌÅÍ Àû¿ë »ç·ÊºÎÅÍ Á¤Ä¡, °æÁ¦, »çȸ, °úÇÐ, °³ÀÎ »ýȰÀº ¹°·Ð, ¿¹¼ú ºÐ¾ß±îÁö ´Ù¾çÇÑ µ¥ÀÌÅÍ È°¿ë »ç·Ê¿Í Àû¿ëµÈ ¼ÒÇÁÆ®¿þ¾î ±â¼úÀÌ À̾߱⸦ µé·ÁÁÖµí ÀÚ¿¬½º·´°Ô ±â¼úµÇ¾î ÀÖ´Ù.
ÀýÆÇ

°£·«º¸±â »õâ¿­±â

The R Book(Çѱ¹¾îÆÇ) : R·Î ¹è¿ì´Â µ¥ÀÌÅÍ ºÐ¼® ±â¼ú
¿øÁ¦ :The R Book / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
¸¶ÀÌŬ Å©·Ñ¸® Àú/Á¤»ç¹ü, ±ÇÁ¤¹Î ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2014.03.31
55,000¿ø | 49,500¿ø (10%¡é) + 2,750P (5%)
ÆòÁ¡ starstarstarstarstar 8.3Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 2°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
ºòµ¥ÀÌÅÍ ½Ã´ë¿¡ °¡Àå ¹ü¿ëÀûÀ¸·Î »ç¿ëµÇ´Â Åë°è ¾ð¾îÀÎ RÀÇ ±âÃʺÎÅÍ È°¿ë±îÁö Àü¹ÝÀûÀÎ ³»¿ë°ú »ó¼¼ÇÑ ¿¹Á¦¸¦ ´Ù·é Ã¥ÀÌ´Ù. ÀÌ Ã¥¿¡¼­´Â RÀ» ÀÌ¿ëÇÏ¿© µ¥ÀÌÅÍ Ã³¸®¿¡ ÇÊ¿äÇÑ ±âÃʹ®¹ý°ú ±×·¡ÇȺÎÅÍ °¡¼³ °ËÁ¤, ȸ±ÍºÐ¼®, ºÐ»ê ºÐ¼®, ´Ùº¯·® ºÐ¼®, ½Ã°è¿­ ºÐ¼®, »ýÁ¸ ºÐ¼®, º£ÀÌÁö¾È Åë°è µîÀÇ °í±Þ ºÐ¼®±îÁö Æø ³Ð°Ô ´Ù·ç°í ÀÖ´Ù.

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â »õâ¿­±â

ºòµ¥ÀÌÅÍ¿¡¼­ õ±ÝÀÇ ±âȸ¸¦ ij¶ó : Å×¶óµ¥ÀÌŸ ÃÖ°íºÐ¼®Ã¥ÀÓÀÚ°¡ µé·ÁÁÖ´Â ±â¾÷ ºòµ¥ÀÌÅÍ È°¿ë Àü·«
¿øÁ¦ :Taming The Big Data Tidal Wave: Finding Op... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
ºô ÇÁ·©Å©½º Àú/ÀüÁ¤¼ø ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2014.03.31
25,000¿ø | 22,500¿ø (10%¡é) + 1,250P (5%)
ÆòÁ¡ starstarstarstarstar 10Á¡ I ¸®ºä 1°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
ºòµ¥ÀÌÅÍ È°¿ëÀ» ¾î¶»°Ô ½ÃÀÛÇØ¾ß ÇÒÁö, ¾îµð¿¡ °¡Àå ÁßÁ¡À» µÎ¾î¾ß ÇÒÁö, ÇÇÇØ¾ß ÇÒ ÇÔÁ¤À̳ª Á¶Á÷¿¡¼­ ºÎ´ÚÄ¥ ¹®Á¦´Â ¹«¾ùÀÎÁö µî ½Ç¹«ÀûÀÎ Á¶¾ðÀ» ¾òÀ» ¼ö ÀÖµµ·Ï ±¸¼ºÇÑ ºòµ¥ÀÌÅÍ ÀÔ¹®¼­ÀÌ´Ù. µ¥ÀÌÅ͸¦ ´Ù·ç´Â µ¥ ÇÊ¿äÇÑ µµ±¸¿Í ÇÁ·Î¼¼½º, ±â¹ý µî ±â¼úÀû Ãø¸é°ú ºòµ¥ÀÌÅ͸¦ È¿°úÀûÀ¸·Î Ȱ¿ëÇÏ´Â µ¥ ÇÊ¿äÇÑ »ç¶÷°ú Á¶Á÷±¸Á¶, Çõ½Å°ú ¹ß°ßÀ» Àå·ÁÇÏ´Â Á¶Á÷ ¹®È­ µî...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â »õâ¿­±â

Â÷¼¼´ë µ¥ÀÌÅÍ Ç÷§ÆûÀ» ÁöÇâÇÏ´Â ¾ÆÆÄÄ¡ ÇÏµÓ YARN
¿øÁ¦ :Apache Hadoop YARN: Moving beyond MapReduc... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
ºñ³ªµå Äí¸¶ ¹Ùºô¶óÆÈ¸®, ´õ±× À̵鸰, Á¶¼Á ´Ï¹ÌÅ©, Á¦ÇÁ ¸¶ÄÄ Àú/¾È°Ç±¹ ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2014.11.28
36,000¿ø | 32,400¿ø (10%¡é) + 1,800P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
¾ÆÆÄÄ¡ ÇϵÓ(Apache Hadoop) 2.x ¹öÀüÀº ¸®¼Ò½º¸Å´ÏÀú(RM)¿Í ¾ÖÇø®ÄÉÀ̼ǸŴÏÀú(AM), ³ëµå¸Å´ÏÀú(NM)¶ó´Â ÁÖ¿äÇÑ 3°¡Áö ÄÄÆ÷³ÍÆ®·Î ±¸¼ºÇÑ YARNÀ̶ó´Â ¾ÆÅ°ÅØÃ³¿¡ ÀÇÁ¸ÇÑ´Ù. Â÷¼¼´ë µ¥ÀÌÅÍ Ç÷§ÆûÀ» ÁöÇâÇÏ´Â ¡º¾ÆÆÄÄ¡ ÇÏµÓ YARN¡»Àº ÇÏµÓ 2.xÀÇ ¼³Ä¡ ¹æ¹ý°ú ±âÁ¸ ¸Ê¸®µà½º ÅëÇÕ, YARN ¾ÆÅ°ÅØÃ³, Ä¿ÆÐ½ÃƼ(capacity) ½ºÄÉÁÙ·¯...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â »õâ¿­±â

¿¹Ãø ºÐ¼® ¸ðµ¨¸µ ½Ç¹« ±â¹ý : R·Î ÇÏ´Â ºòµ¥ÀÌÅÍ ºÐ¼® »ç·Ê
¿øÁ¦ :Modeling Techniques in Predictive Analytics / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
Å丶½º ¹Ð·¯ Àú/Á¤»ç¹ü ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2014.12.30
40,000¿ø | 36,000¿ø (10%¡é) + 2,000P (5%)
ÆòÁ¡ starstarstarstarstar 6.8Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 1°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
[¿¹Ãø ºÐ¼® ¸ðµ¨¸µ ½Ç¹« ±â¹ý]Àº '°íÂ÷¿øºÐ¼®'À» Çϱâ À§ÇÑ µ¥ÀÌÅÍ ¿¹Ãø ºÐ¼®±â¼úÀ» ½Ç¹«»ç·Ê À§ÁÖ·Î ¼³¸íÇϴ åÀÌ´Ù. ÀÌ Ã¥Àº µ¥ÀÌÅÍ ±â¹Ý ÀÇ»ç°áÁ¤ÀÌ ½ÇÁ¦·Î ±â¾÷ÀÇ °æÀï·Â¿¡ ¾î¶»°Ô µµ¿òÀÌ µÇ´ÂÁö ¾Ë°í ½Í¾îÇÏ´Â °æ¿µÀÚ, µ¥ÀÌÅÍ ½Ç¹« ºÐ¼®¿ª·®À» Ű¿ì°í ½ÍÀº µ¥ÀÌÅÍ ºÐ¼®°¡ ¸ðµÎ¸¦ ´ë»óÀ¸·Î ÇÑ´Ù. Ã¥¿¡¼­´Â ±¤°í¿Í È«º¸ ºÐ¼®, ¼ÒºñÀÚ ¼±È£¿Í ¼±Åà ºÐ¼®, ½ÃÀå¹Ù...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â »õâ¿­±â

ÀÚ¿¬¾î ÅØ½ºÆ® 󸮸¦ ÅëÇÑ °Ë»ö ½Ã½ºÅÛ ±¸Ãà : ¾ÆÆÄÄ¡ ¼Ö¶ó, ·ç¾À, OpenNLP µî ¿ÀǼҽº Ȱ¿ë
¿øÁ¦ :Taming Text: How to Find, Organize, and Ma... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
Å丶½º ¸ðư, µå·ù ÆÐ¸®½º Àú/ÀÓÇý¿¬ ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2015.01.02
40,000¿ø | 36,000¿ø (10%¡é) + 2,000P (5%)
ÆòÁ¡ starstarstarstarstar 10Á¡ I ¸®ºä 1°Ç I ÆòÁ¡ 1°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
Çö´ë À¥ ¼­ºñ½º¿¡¼­ °Ë»öÀº »©³õÀ» ¼ö ¾ø´Â ±â´ÉÀÌ´Ù. »ç¿ëÀÚ´Â °Ë»ö¿¡ Àͼ÷Çϰí, °Ë»ö °á°úÀÇ ¾ÕºÎºÐ¿¡¼­ °ð¹Ù·Î ÀÚ½ÅÀÌ ¿øÇÏ´Â ¸µÅ©¸¦ ã±æ ¹Ù¶õ´Ù. »ç¿ëÀÚÀÇ ±âÁØÀ» ¸¸Á·½Ã۱â´Â ¾î·ÆÁö¸¸, ´ÙÇàÈ÷ Àß ¸¸µé¾îÁø ¿ÀÇ ¼Ò½º°¡ ÀÌ¹Ì Á¸ÀçÇÑ´Ù. ÀÌ Ã¥Àº °Ë»ö°ú ÀÚ¿¬¾î 󸮿¡ ´ëÇÑ ±âÃÊÀûÀÎ Áö½ÄÀ» ¼Ò°³Çϰí, ¾ÆÆÄÄ¡ ¼Ö¶ó, OpenNLP µîÀÇ ¿ÀÇ ¼Ò½º¸¦ ÀÌ¿ëÇØ¼­ ...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

µ¥ÀÌÅÍ ½ºÅ丮ÅÚ¸µ : ¼³µæ·Â ÀÖ´Â ÇÁ¸®Á¨Å×À̼ÇÀ» À§ÇÑ µ¥ÀÌÅÍ ½Ã°¢È­ ±â¹ý
¿øÁ¦ :Storytelling with Data: A Data Visualizati... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
ÄÝ ´©½º¹Ù¿ì¸Ó ³»Çø¯, ÄÝ ´©½º¹Ù¿ì¸Ó ³»Çø¯ Àú/Á¤»ç¹ü, Á¤»ç¹ü ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2016.07.25
25,000¿ø | 22,500¿ø (10%¡é) + 1,250P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
µ¥ÀÌÅ͸¦ »ç¿ëÇÏ¿© Àü´ÞÇÏ·Á´Â ³»¿ëÀ» ½±°Ô ¼³¸íÇϰí, ¿ªµ¿ÀûÀÌ°í ¼³µæ·Â ÀÖ´Â µ¥ÀÌÅÍ ±â¹Ý ÇÁ¸®Á¨Å×À̼ÇÀ» ¸¸µé°í ½ÍÀº°¡. ÀÌ Ã¥ [µ¥ÀÌÅÍ ½ºÅ丮ÅÚ¸µ]Àº µ¥ÀÌÅ͸¦ ÀÌ¿ëÇÏ¿© ¼³µæ·Â ÀÖ´Â ½ºÅ丮ÅÚ¸µ ÀڷḦ ¸¸µé±â À§ÇÑ ±â¹ýÀ» ¼Ò°³ÇÑ´Ù. Ã¥ÀÇ ±¸¼ºÀº µ¥ÀÌÅÍ·Î ½ºÅ丮¸¦ Àü´ÞÇÏ´Â ½ÇÁ¦ È帧°ú µ¿ÀÏÇÏ´Ù. »óȲ Á¤º¸¿Í ûÁßÀ» ÆÄ¾ÇÇÏ°í ±×¿¡ ÀûÇÕÇÑ ±×·¡ÇÁ À¯ÇüÀ» ¼±ÅÃÇÏ´Â...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

R·Î ÇÏ´Â ÄöÆ® Æ®·¹À̵ù : RÀ» Ȱ¿ëÇÑ ±ÝÀ¶ µ¥ÀÌÅÍ ºÐ¼®°ú ¾Ë°í¸®Áò Æ®·¹À̵ù
¿øÁ¦ :Quantitative Trading with R: Understanding... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
ÇØ¸® Á¶°¡ÄÚǽ·¯½º Àú/À̹ÎÀç ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2017.10.31
33,000¿ø | 29,700¿ø (10%¡é) + 1,650P (5%)
ÆòÁ¡ starstarstarstarstar 10Á¡ I ¸®ºä 1°Ç I ÆòÁ¡ 1°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
¹«·á·Î »ç¿ëÀÌ °¡´ÉÇÑ Åë°è ºÐ¼®¿ë ÇÁ·Î±×·¡¹Ö ¾ð¾îÀÎ RÀ» Ȱ¿ëÇØ ÃÖ±Ù ÀÚ»ê ¿î¿ë¿¡¼­ ³Î¸® ¾²ÀÌ´Â ÄöÆ® ºÐ¼®À» ¼öÇàÇÏ´Â ¹ýÀ» ¹è¿î´Ù. ÄöÆ® ÅõÀÚ¿¡ ÇÊ¿äÇÑ Åë°è À̷аú R »ç¿ë¹ýÀ» ±âÃʺÎÅÍ ¼³¸íÇØ ÄöÆ® ºÐ¼®¿¡ Àͼ÷ÇÏÁö ¾Ê°Å³ª óÀ½ RÀ» Á¢ÇÏ´Â »ç¶÷µµ µû¶ó°¥ ¼ö ÀÖµµ·Ï ±¸¼ºÇß´Ù. ½ÇÁ¦ ±ÝÀ¶ µ¥ÀÌÅ͸¦ °¡Áö°í Æ®·»µå ÆÈ·ÎÀ×(trend following) Àü·«°ú...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

¿£ÅÍÇÁ¶óÀÌÁî µ¥ÀÌÅÍ ·¹ÀÌÅ© ±¸Ãà : ¶÷´Ù ¾ÆÅ°ÅØÃ³ ±â¹ÝÀÇ ¿£ÅÍÇÁ¶óÀÌÁî µ¥ÀÌÅÍ ·¹ÀÌÅ© ±¸Ãà °¡À̵å
¿øÁ¦ :Data Lake for Enterprise: Leveraging Lambd... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
Åè½Ã Á¸ Àú/¾ç¿ø±¹, ¿ì¼ºÇÑ, ÀÌ¿µÈ£ ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2018.04.30
40,000¿ø | 36,000¿ø (10%¡é) + 2,000P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
µðÁöÅÐ Æ®·£½ºÆ÷¸ÞÀ̼ÇÀ» Ãß±¸ÇÏ´Â ±â¾÷ÀÌ ºòµ¥ÀÌÅÍ °¡Ä¡ ½ÇÇö¿¡ ÇÊ¿äÇÑ ±â¾÷ ³» ´ÜÀÏ ÀúÀå¼ÒÀÎ 'µ¥ÀÌÅÍ ·¹ÀÌÅ©'¸¦ ±¸ÃàÇÒ ¼ö ÀÖµµ·Ï ¾È³»ÇÏ´Â ½ÇÀü¼­ÀÌ´Ù. µ¥ÀÌÅÍ¿¡ ´ëÇÑ ÀÌÇØºÎÅÍ ¾ÆÅ°ÅØÃ³ ±¸Ãà¿¡ ÇÊ¿äÇÑ ÄÚµå±îÁö ¸ðµç °úÁ¤À» ¸Á¶óÇØ, µ¥ÀÌÅÍ ·¹ÀÌÅ© ±¸Ãà¿¡ ¾î·Á¿òÀ» °Þ´Â ±â¾÷¿¡°Ô ÀÌÁ¤Ç¥°¡ µÉ °ÍÀÌ´Ù.
ÀýÆÇ

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ÆÄ¿ö BI¿Í ¿¢¼¿ ÆÄ¿ö ÇǺ¿À» »ç¿ëÇÑ µ¥ÀÌÅÍ ºÐ¼® : ¿¹Á¦¸¦ ÅëÇØ ¹è¿ì´Â µ¥ÀÌÅÍ ¸ðµ¨¸µ
¿øÁ¦ :Analyzing Data with Power BI and Power Piv... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
¾Ëº£¸£Åä Æä¶ó¸® Àú/ÀÌÁöÀº ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2018.06.29
30,000¿ø | 27,000¿ø (10%¡é) + 1,500P (5%)
ÆòÁ¡ starstarstarstarstar 9.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 2°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
Á¤º¸°¡ ³ÑÃijª´Â ½Ã´ë¿¡ ÀÌ Á¤º¸µéÀ» ¾î¶»°Ô ¾ò°í ¶Ç ¾î¶»°Ô Ȱ¿ëÇÒ ¼ö ÀÖÀ»±î? ¸¹Àº µ¥ÀÌÅ͸¦ ºÐ¼®ÇÏ¿© µ¥ÀÌÅͰ¡ °®°í ÀÖ´Â Á¤º¸¸¦ ¾ò°í Ȱ¿ëÇØ¾ß ÇÑ´Ù. ÀÌ Ã¥Àº ÆÄ¿ö BI¿Í ¿¢¼¿ÀÇ ÆÄ¿ö ÇǺ¿À̶ó´Â µ¥ÀÌÅÍ ºÐ¼® µµ±¸¸¦ »ç¿ëÇØ µ¥ÀÌÅ͸¦ ¸ðµ¨¸µ¿¡ °üÇØ ¼³¸íÇÑ´Ù. ÀÏ»óÀûÀÎ ¾÷¹«¿¡¼­ Á¢Çϱ⠽¬¿î ¿¹Á¦¸¦ ÅëÇØ µ¥ÀÌÅÍ ¸ðµ¨¸µÀÇ ±âº» °³³äÀ» ¼Ò°³Çϰí À־ Ãʺ¸ÀÚµµ ...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ÆÄÀ̽ãÀ¸·Î ½Ç¹«¿¡ ¹Ù·Î Àû¿ëÇÏ´Â ¸Ó½Å ·¯´×
[¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
°­ºÀÁÖ Àú | ¿¡ÀÌÄÜÃâÆÇ | 2019.01.30
30,000¿ø | 27,000¿ø (10%¡é) + 1,500P (5%)
ÆòÁ¡ starstarstarstarstar 10Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 1°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
¸Ó½Å ·¯´×À» óÀ½ Á¢ÇÏ´Â µ¶ÀÚµéÀÌ ±¸Çö ¾ð¾î, ±¸Çö ÆÐŰÁö, ±¸Çö ÆíÁý±â¸¦ Æ÷ÇÔÇØ Á¾ÇÕÀûÀ¸·Î ÀÌÇØÇÏ°í ¹Ù¶óº¼ ¼ö ÀÖµµ·Ï ¾È³»Çϴ åÀÌ´Ù. ¸Ó½Å ·¯´×ÀÇ ±âº» °³³äºÎÅÍ °¡Àå ¹ü¿ëÀûÀ̰í Ȱ¿ëµµ°¡ ³ôÀº ¾Ë°í¸®ÁòÀ» ¿¹Á¦¸¦ ÅëÇØ ¼³¸íÇÑ´Ù. ´õºÒ¾î ´Ü¼øÇÑ ¼³¸íÀ¸·Î¸¸ ¸ØÃßÁö ¾Ê°í, ÇÑ °ÉÀ½ ´õ ³ª¾Æ°¡ ¼ö½ÄÀûÀÎ ÇØ¼®µµ ÇÒ ¼ö ÀÖµµ·Ï ¾È³»ÇÑ´Ù.

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ÀÚ¿¬¾î ó¸®ÀÇ Á¤¼® : ÀÚ¿¬¾î ó¸®ÀÇ A-Z °ú°ÅºÎÅÍ ÃÖ±Ù ¿¬±¸±îÁö
[¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
Á¦ÀÌÄß ¿¡ÀÌÁ¨½´Å×ÀÎ Àú/À̵¿±Ù, ±è±ÙÈ£ ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2022.05.30
50,000¿ø | 45,000¿ø (10%¡é) + 2,500P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
ÀÚ¿¬¾î ó¸®¿Í ¸Ó½Å·¯´×/µö·¯´×À» ÅëÇÕÇϰí ÇØ´ç °úÁ¤µéÀ» ÀÚ¼¼ÇÏ°Ô ¼³¸íÇϴ åÀÌ´Ù. ÀüÅëÀûÀÎ Åë°è ±â¹ÝÀÇ ÀÚ¿¬¾î ó¸® ¹æ¹ý¿¡¼­ ½ÃÀÛÇØ ÃÖ±ÙÀÇ µö·¯´×/¸Ó½Å·¯´× ¹æ¹ýÀ» »ç¿ëÇÑ ÀÚ¿¬¾î ó¸® ¹æ¹ý±îÁö ´Ù·é´Ù. ¸ÕÀú, Áöµµ/ºñÁöµµÇнÀ°ú °ü·ÃÇÑ ¸Ó½Å·¯´× ¹æ¹ý·Ð¿¡ ´ëÇØ ¼³¸íÇÑ ÈÄ, ÀÚ¿¬¾î 󸮸¦ ´Ù·ç´Â ¿©·¯ ¾Ë°í¸®µëÀ» ¾Ë¾Æº»´Ù. ÀüÅëÀûÀÎ ¾Ë°í¸®µëÀÎ ½ÃÄö½º, Æ®¸®, ...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

Ãßõ ½Ã½ºÅÛÀÇ Åë°è ±â¹ý : ½Ç»ýȰ Ãßõ ¹®Á¦¿¡ Àû¿ëÇØº¸´Â ´Ù¾çÇÑ Åë°è ±â¹ý
¿øÁ¦ :Statistical Methods for Recommender Systems / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
µðÆÅ ¾Æ°¡¿Ð, ºñûþ Àú/ÃÖ¿µÀç ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2022.05.31
33,000¿ø | 29,700¿ø (10%¡é) + 1,650P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
´Ù¾çÇÑ ºÐ¾ß¿¡¼­ Ȱ¿ëµÇ´Â Ãßõ ½Ã½ºÅÛÀ» ÀÌÇØÇÏ´Â µ¥ ÇÊ¿äÇÑ Åë°è ±â¹ýÀ» ¼Ò°³ÇÑ´Ù. ¿À·¡ÀüºÎÅÍ È°¿ëÇØ ¿À°í ÀÖ´Â ÀüÅëÀûÀÎ ±â¹ýºÎÅÍ ÃÖ±Ù »õ·Ó°Ô ÁÖ¸ñ¹Þ°í ÀÖ´Â ±â¹ý±îÁö ´Ù¾çÇÑ Ãßõ ¹®Á¦¿¡ ÀûÇÕÇÑ ÇØ¹ýÀ» ¼³°èÇÏ°í ±¸ÇöÇϱâ À§ÇØ ÇÊ¿äÇÑ ¿©·¯ °¡Áö ±â¹ýÀ» ½ÇÁ¦ ¿¹Á¦¸¦ ÅëÇØ »ìÆìº»´Ù. °³³äÀ» ÀÌÇØÇϰí Àû¿ëÇØ º¼ ¼ö ÀÖ´Â °£´ÜÇÑ ¹®Á¦»Ó¸¸ ¾Æ´Ï¶ó ¿¬°ü Ç׸ñ Ãßõ, ...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

±×·¡ÇÁ ¾Ë°í¸®Áò : ½ºÆÄÅ©¿Í Neo4j·Î ÀÌÇØÇÏ´Â ¾Ë°í¸®Áò°ú ±×·¡ÇÁ ºÐ¼®
¿øÁ¦ :Graph Algorithms: Practical Examples in Ap... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
¸¶Å© ´Ï´ý Àú/Å×Å© Æ®·£½º ±×·ì T4 ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2021.07.22
33,000¿ø | 29,700¿ø (10%¡é) + 1,650P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
±×·¡ÇÁ ºÐ¼®°ú ¾Ë°í¸®Áò, À̷п¡ ´ëÇÑ ¼Ò°³·Î ½ÃÀÛÇØ¼­ ±×·¡ÇÁ ¾Ë°í¸®Áò¿¡ ÃÊÁ¡À» ¸ÂÃá °æ·Î ã±â, Á߽ɼº, Ä¿¹Â´ÏƼ °¨Áö µîÀ» °£·«ÇÏ°Ô ¼³¸íÇÑ´Ù. ¾Ë°í¸®ÁòÀÇ ±â´É ¼³¸íÀ» È®ÀÎÇÒ ¼ö ÀÖ°í, ¾Ë°í¸®Áò¿¡ ´ëÇÑ »ç¿ë »ç·Ê¿Í ÀÚ¼¼ÇÑ ³»¿ëÀ» º¼ ¼ö ÀÖ´Ù. ¶ÇÇÑ ½ºÆÄÅ©, Neo4j¿¡¼­ ¾Ë°í¸®Áò »ç¿ë ¹æ¹ýÀ» Á¦°øÇÏ´Â ±¸Ã¼ÀûÀÎ ¿¹Á¦ Äڵ带 ÅëÇØ ÀÌ·ÐÀÇ È°¿ëÀÌ °¡´ÉÇÏ´Ù....

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ÆÄÀ̽㠱â¹Ý °­È­ÇнÀ ¾Ë°í¸®µë : DP, Q-Learning, AC, DQN, TRPO, PPO, DDPG...
¿øÁ¦ :Reinforcement Learning Algorithms with Python / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
¾Èµå·¹¾Æ ·ÐÀÚ Àú/Á¤»ç¹ü ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2021.08.25
30,000¿ø | 27,000¿ø (10%¡é) + 1,500P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
°­È­ÇнÀ(RL)Àº ÀΰøÁö´ÉÀÇ Àαâ ÀÖ°í À¯¸ÁÇÑ ºÐ¾ß·Î º¯È­ÇÏ´Â ¿ä±¸»çÇ׿¡ ´ëÀÀÇØ ÀÌ»óÀûÀÎ ÇൿÀ» ÀÚµ¿À¸·Î °áÁ¤ÇÏ´Â ¿¡ÀÌÀüÆ®¿Í ½º¸¶Æ®ÇÑ ¸ðµ¨À» ¸¸µå´Â ¾Ë°í¸®µëÀÌ´Ù. ÀÌ Ã¥Àº °­È­ÇнÀ ¾Ë°í¸®µëÀ» ¸¶½ºÅÍÇϰí ÀÚ°¡ÇнÀ(self-learning)ÇÏ´Â ¿¡ÀÌÀüÆ®¸¦ ±¸ÇöÇÏ´Â ¹æ¹ýÀ» ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï µµ¿ÍÁØ´Ù. °­È­ÇнÀ¿¡ ÇÊ¿äÇÑ Åø, ¶óÀ̺귯¸®, ¼³Á¤ »çÇ׿¡ ´ëÇÑ ¼Ò...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ºòÄõ¸®¸¦ Ȱ¿ëÇÑ µ¥ÀÌÅÍ ¿þ¾îÇϿ콺 ±¸Ãà : ´Ü°èº°·Î ¹è¿ì´Â ±¸±Û Ŭ¶ó¿ìµå °ü¸®Çü µ¥ÀÌÅÍ ºÐ¼®
¿øÁ¦ :Bigquery for Data Warehousing / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
¸¶Å© ¹«ÄÉÆ¼ Àú/¹éÁø¿í ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2021.10.19
40,000¿ø | 36,000¿ø (10%¡é) + 2,000P (5%)
ÆòÁ¡ starstarstarstarstar 10Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 1°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
±¸±ÛÀÇ BigQuery(ºòÄõ¸®) ±â¼úÀ» ¹ÙÅÁÀ¸·Î ¸®Æ÷ÆÃ°ú ´ë½Ãº¸µå ±â´ÉÀ» Áö¿øÇÏ´Â µ¥ÀÌÅÍ ¿þ¾îÇϿ콺¸¦ ±¸ÃàÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. BigQuery¸¦ »ç¿ëÇØ ¼³°è, ºôµå, ·Îµå, °Ë»ö, À¯ÁöÇÏ´Â ¹æ¹ýÀ» ´Ü°èº°·Î ÁøÇàÇϸ鼭 µ¥ÀÌÅÍ ¿þ¾îÇϿ콺¸¦ ±¸ÃàÇÒ ¼ö ÀÖ´Ù. À¯¿ëÇϸ鼭µµ È®Àå °¡´ÉÇϸç À¯Áöº¸¼ö°¡ ½¬¿î ¸ð´ø µ¥ÀÌÅÍ ºÐ¼® ½Ã½ºÅÛÀ» ¾î¶»°Ô ¸¸µå´ÂÁö¿¡ ´ëÇÑ ±Ã±Ý...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ÅÙ¼­Ç÷Π2·Î ¹è¿ì´Â ±ÝÀ¶ ¸Ó½Å·¯´× : ÅÙ¼­ÇÃ·Î¿Í Scikit-learnÀ¸·Î ±ÝÀ¶ °æÁ¦¿¡ Á¢¸ñÇÏ´Â ÀΰøÁö´É
¿øÁ¦ :Machine Learning for Economics and Finance... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
ÀÌ»ç¾ß Çæ Àú/À̺´¿í ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2021.12.23
30,000¿ø | 27,000¿ø (10%¡é) + 1,500P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
TensorFlow¿Í sklearnÀ» »ç¿ëÇØ ±ÝÀ¶À̳ª °æÁ¦ ¸Æ¶ô¿¡ ÀΰøÁö´ÉÀ» Á¢¸ñÇÏ´Â ¹æ¹ý·ÐÀ» ¼³¸íÇÑ´Ù. ¸ÕÀú °æÁ¦ÇÐÀÌ Ãß±¸ÇÏ´Â ÁöÇâÁ¡°ú ¸Ó½Å·¯´×ÀÇ Æ¯Â¡°ú ÀåÁ¡À» ºñ±³ÇØ °°Àº Á¡°ú ´Ù¸¥ Á¡À» ºÐ¼®ÇÑ ´ÙÀ½ ¾ç Ãø¸é¿¡¼­ ¾î¶»°Ô Ȱ¿ëÇÒ ¼ö ÀÖ´ÂÁö¸¦ ¹æ´ëÇÑ Âü°í¹®Çå°ú ÇÔ²² ¼³¸íÇÑ´Ù. ±âÃÊÀûÀΠȸ±Í¿¡¼­ Ãâ¹ßÇØ °áÁ¤ Æ®¸®¿Í ·£´ý Æ÷·¹½ºÆ®¸¦ »ìÆìº¸°í À̹ÌÁö 󸮿Í...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

µ¥ÀÌÅÍ ¸¶ÀÌ´× 4/e : ½Ç¿ëÀûÀÎ ¸Ó½Å·¯´× ±â¼ú
¿øÁ¦ :Data Mining / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
ÀÌ¾È À§Æ°, ¾ÆÀ̺£ ÇÁ·©Å©, ¸¶Å© Ȧ, Å©¸®½ºÅäÆÛ ÆÈ Àú/±è¼ºÁØ ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2022.05.31
50,000¿ø | 45,000¿ø (10%¡é) + 2,500P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
¸Ó½Å·¯´×ÀÇ ±âÃÊ¿Í ½ÇÁ¦ µ¥ÀÌÅÍ ¸¶À̴׿¡ Àû¿ëÇÏ´Â ¹æ¹ýÀ» ¾Ë·ÁÁØ´Ù. ƯÈ÷ 4ÆÇ¿¡¼­´Â µ¥ÀÌÅÍ Áغñ, ºÐ¼® °á°ú ÇØ¼®, °á°ú Æò°¡, ¼º°øÀûÀÎ µ¥ÀÌÅÍ ¸¶ÀÌ´× Á¢±Ù ¹æ½ÄÀÇ ÇÙ½ÉÀÎ ¾Ë°í¸®µë¿¡ À̸£±â±îÁö µ¥ÀÌÅÍ ¸¶ÀÌ´×À» ÁøÇàÇϱâ À§ÇØ ¾Ë¾Æ¾ß ÇÒ ¸ðµç °ÍÀ» ´Ù·é´Ù.

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

°£·«º¸±â ¹Ì¸®º¸±â »õâ¿­±â

ÇコÄÉ¾î ºÐ¼®À» À§ÇÑ ¸Ó½Å·¯´× : ÆÄÀ̽ã, ÁÖÇÇÅÍ ³ëÆ®ºÏ, ÅÙ¼­Ç÷Î, Äɶ󽺸¦ ÀÌ¿ëÇÑ Àû¿ë »ç·Ê
¿øÁ¦ :Machine Learning for Healthcare Analytics ... / [¿¡ÀÌÄÜ µ¥ÀÌÅÍ °úÇÐ ½Ã¸®Áî 1]
¿¡µà¿À´Ð½º ·¯´× ¼Ö·ç¼Ç½º Àú/°í¼®¹ü ¿ª | ¿¡ÀÌÄÜÃâÆÇ | 2022.03.31
25,000¿ø | 22,500¿ø (10%¡é) + 1,250P (5%)
ÆòÁ¡ starstarstarstarstar 0.0Á¡ I ¸®ºä 0°Ç I ÆòÁ¡ 0°Ç
±â´ëÁö¼ö 0 I ³»¿ë 0 I Àç¹Ì 0 I ÆíÁý/µðÀÚÀÎ 0
ÀÇ·áÀÇ ¹Ì·¡¸¦ »ý°¢ÇÏ´Â Àǰú ´ëÇлý°ú ÀÇ·áÀεéÀÇ ÀÇ·á ÀΰøÁö´É¿¡ ´ëÇÑ °ü½ÉÀÌ ³ª³¯ÀÌ ³ô¾ÆÁö¸é¼­ °ü·Ã ÁÖÁ¦¿¡ ´ëÇÑ ³íÀǵµ ¶ß°Ì´Ù. ÀÌ Ã¥Àº ½ÇÁúÀûÀÎ »ç·Ê·Î ÇコÄÉ¾î °ü·Ã ¸Ó½Å·¯´×À» ±¸ÇöÇÏ´Â ¹æ¹ýÀ» ¼Ò°³ÇÑ´Ù. °¢ »ç·Ê´Â °£´ÜÇϸ鼭µµ ¸Ó½Å·¯´× ÇÁ·ÎÁ§Æ®¸¦ ¼öÇàÇÏ´Â ´Ü°è¿Í ¹æ¹ýÀÌ ³ì¾Æ ÀÖ´Ù. ÀÌ Ã¥¿¡¼­ ¼Ò°³ÇÏ´Â ±¸Ã¼ÀûÀÎ »ç·Ê¸¦ ÅëÇØ ±íÀÌ °ü·Ã ³»¿ëÀ» ޱ¸ÇÒ ¼ö...

ºÏīƮ´ã±â

¹Ù·Î±¸¸Å

ºÏīƮ´ã±â
1 2 3 4 [total 1/4]