품목정보
발행일	2020년 03월 04일
쪽수, 무게, 크기	652쪽 \| 18824532mm
ISBN13	9791190665018
ISBN10	1190665018

더보기

이 상품의 태그

#월간개발자_대표도서

비전공자도 이해할 수 있는 AI 지식

17,820원 (10%)

'비전공자도 이해할 수 있는 AI 지식' 상세페이지 이동

Clean Code 클린 코드

29,700원 (10%)

'Clean Code 클린 코드' 상세페이지 이동

디자인, 이것만 알면 쉬워져요 with 63가지 LESSON

18,000원 (10%)

'디자인, 이것만 알면 쉬워져요 with 63가지 LESSON' 상세페이지 이동

Do it! HTML+CSS+자바스크립트 웹 표준의 정석

27,000원 (10%)

'Do it! HTML+CSS+자바스크립트 웹 표준의 정석' 상세페이지 이동

만들면서 배우는 파이썬과 40개의 작품들

16,920원 (10%)

'만들면서 배우는 파이썬과 40개의 작품들' 상세페이지 이동

챗GPT와 업무자동화

16,200원 (10%)

'챗GPT와 업무자동화' 상세페이지 이동

이득우의 게임 수학

40,500원 (10%)

'이득우의 게임 수학' 상세페이지 이동

얄코의 TOO MUCH 친절한 HTML+CSS+자바스크립트

28,800원 (10%)

'얄코의 TOO MUCH 친절한 HTML+CSS+자바스크립트' 상세페이지 이동

혼자 공부하는 얄팍한 코딩 지식

16,200원 (10%)

'혼자 공부하는 얄팍한 코딩 지식' 상세페이지 이동

Do it! 깡샘의 안드로이드 앱 프로그래밍 with 코틀린

36,000원 (10%)

'Do it! 깡샘의 안드로이드 앱 프로그래밍 with 코틀린' 상세페이지 이동

그림으로 공부하는 IT 인프라 구조

23,400원 (10%)

'그림으로 공부하는 IT 인프라 구조' 상세페이지 이동

모두의 딥러닝

21,600원 (10%)

'모두의 딥러닝' 상세페이지 이동

프롬프트 엔지니어링

22,500원 (10%)

'프롬프트 엔지니어링' 상세페이지 이동

Do it! 깡샘의 플러터 & 다트 프로그래밍

36,000원 (10%)

'Do it! 깡샘의 플러터 & 다트 프로그래밍' 상세페이지 이동

Do it! 쉽게 배우는 파이썬 데이터 분석

20,700원 (10%)

'Do it! 쉽게 배우는 파이썬 데이터 분석' 상세페이지 이동

챗GPT와 기획·분석·보고

16,200원 (10%)

'챗GPT와 기획·분석·보고' 상세페이지 이동

필독! 개발자 온보딩 가이드

22,500원 (10%)

'필독! 개발자 온보딩 가이드' 상세페이지 이동

Do it! 쉽게 배우는 R 데이터 분석

18,000원 (10%)

'Do it! 쉽게 배우는 R 데이터 분석' 상세페이지 이동

스테이블 디퓨전으로 만드는 게임 그래픽

25,200원 (10%)

'스테이블 디퓨전으로 만드는 게임 그래픽' 상세페이지 이동

Node.js 교과서

37,800원 (10%)

'Node.js 교과서' 상세페이지 이동

더보기

PART I 말 많은 컴퓨터: NLP의 기초 1 CHAPTER 1 사고의 단위: NLP의 개요 3 1.1 자연어 대 프로그래밍 언어 4 1.2 마법 5 1.2.1 대화하는 기계 6 1.2.2 수학 7 1.3 실제 응용들 9 1.4 컴퓨터의 ‘눈’으로 본 언어 11 1.4.1 자물쇠 언어 12 1.4.2 정규 표현식 13 1.4.3 간단한 챗봇 14 1.4.4 또 다른 방법 19 1.5 짧은 초공간 탐험 23 1.6 단어의 순서와 문법 25 1.7 챗봇의 자연어 처리 파이프라인 27 1.8 더 깊은 처리 30 1.9 자연어 IQ 32 요약 35 CHAPTER 2 나만의 어휘 구축: 단어 토큰화 37 2.1 어려운 문제: 어간 추출의 개요 39 2.2 토큰 생성기를 이용한 어휘 구축 40 2.2.1 내적 50 2.2.2 두 단어 모음의 중복 측정 51 2.2.3 토큰 개선 52 2.2.4 n-그램을 이용한 어휘 확장 58 2.2.5 어휘 정규화 66 2.3 감정 분석 76 2.3.1 VADER―규칙 기반 감정 분석기 78 2.3.2 단순 베이즈 모형 80 요약 84 CHAPTER 3 말 잘하는 수학: TF-IDF 벡터 85 3.1 단어 모음 86 3.2 벡터화 92 3.2.1 벡터 공간 95 3.3 지프의 법칙 101 3.4 주제 모형화 104 3.4.1 돌아온 지프 108 3.4.2 관련성 순위 110 3.4.3 주요 도구: scikit-learn 112 3.4.4 여러 TF-IDF 정규화 방법 113 3.4.5 Okapi BM25 115 3.4.6 다음 단계 116 요약 116 CHAPTER 4 단어 빈도에서 의미 찾기: 의미 분석 117 4.1 단어 빈도에서 주제 점수로 119 4.1.1 TF-IDF 벡터와 표제어 추출 119 4.1.2 주제 벡터 120 4.1.3 사고 실험 122 4.1.4 주제 점수를 매기는 알고리즘 127 4.1.5 LDA 분류기 129 4.2 잠재 의미 분석(LSA) 134 4.2.1 사고 실험의 실현 137 4.3 특잇값 분해 140 4.3.1 왼쪽 특이 벡터 행렬 U 142 4.3.2 특잇값 행렬 S 143 4.3.3 오른쪽 특이 벡터 행렬 VT 145 4.3.4 SVD 행렬의 방향 145 4.3.5 주제 절단 146 4.4 주성분 분석(PCA) 148 4.4.1 3차원 벡터에 대한 PCA 150 4.4.2 말을 떠나 다시 NLP로 돌아가서 152 4.4.3 PCA를 이용한 문자 메시지 잠재 의미 분석 154 4.4.4 절단된 SVD를 이용한 문자 메시지 잠재 의미 분석 157 4.4.5 스팸 분류에 대한 LSA의 정확도 158 4.5 잠재 디리클레 할당(LDiA) 161 4.5.1 LDiA의 기초 162 4.5.2 문자 메시지 말뭉치에 대한 LDiA 주제 모형 165 4.5.3 LDiA + LDA = 스팸 분류기 168 4.5.4 좀 더 공정한 비교: 주제가 32개인 LDiA 171 4.6 거리와 유사도 173 4.7 피드백에 기초한 방향 조정 176 4.7.1 선형 판별 분석(LDA) 177 4.8 주제 벡터의 위력 179 4.8.1 의미 기반 검색 181 4.8.2 개선안 184 요약 184 PART II 더 깊은 학습: 신경망 적용 185 CHAPTER 5 신경망 첫걸음: 퍼셉트론과 역전파 187 5.1 신경망의 구성요소 188 5.1.1 퍼셉트론 189 5.1.2 디지털 퍼셉트론 190 5.1.3 치우침 단위 191 5.1.4 오차 곡면을 누비며 207 5.1.5 경사로를 따라 활강 208 5.1.6 흔들어서 탈출 210 5.1.7 케라스: 신경망 파이썬 구현 211 5.1.8 더 깊게 배우고 싶다면 215 5.1.9 정규화: 스타일 있는 입력 215 요약 216 CHAPTER 6 단어 벡터를 이용한 추론: word2vec 활용 217 6.1 의미 기반 질의와 비유 218 6.1.1 비유 질문 219 6.2 단어 벡터 221 6.2.1 벡터 지향적 추론 225 6.2.2 word2vec의 단어 표현 계산 228 6.2.3 gensim.word2vec 모듈 사용법 238 6.2.4 나만의 단어 벡터 모형 만들기 241 6.2.5 word2vec 대 GloVe 244 6.2.6 fastText 245 6.2.7 word2vec 대 LSA 246 6.2.8 단어 관계의 시각화 247 6.2.9 인위적인 단어들 254 6.2.10 doc2vec을 이용한 문서 유사도 추정 256 요약 258 CHAPTER 7 단어 순서를 고려한 의미 분석: 합성곱 신경망 259 7.1 의미의 학습 261 7.2 도구 모음 262 7.3 합성곱 신경망 264 7.3.1 합성곱 신경망의 구조 264 7.3.2 단계 크기(보폭) 266 7.3.3 필터의 구성 266 7.3.4 여백 채우기 268 7.3.5 훈련(학습) 270 7.4 다시 텍스트로 271 7.4.1 케라스로 합성곱 신경망 구현: 자료 준비 273 7.4.2 합성곱 신경망의 구조 279 7.4.3 풀링 280 7.4.4 드롭아웃 283 7.4.5 마지막 층 추가 284 7.4.6 모형의 저장 및 시험 286 7.4.7 모형을 NLP 파이프라인에 도입 289 7.4.8 나머지 이야기 290 요약 292 CHAPTER 8 돌고 도는 신경망: 순환 신경망 293 8.1 과거를 아는 순환 신경망 296 8.1.1 시간에 대한 역전파 301 8.1.2 무엇을 언제 갱신하는가? 303 8.1.3 정리 306 8.1.4 항상 그렇듯이 함정이 있다 307 8.1.5 케라스를 이용한 순환 신경망 구현 307 8.2 모형의 컴파일 312 8.3 모형의 훈련 315 8.4 초매개변수 조율 316 8.5 예측 319 8.5.1 상태 유지 320 8.5.2 양방향 처리 321 8.5.3 순환층 출력의 의미 323 요약 323 CHAPTER 9 장단기 기억망(LSTM 망)을 이용한 기억 유지 개선 325 9.1 장단기 기억망(LSTM 망) 327 9.1.1 시간에 대한 역전파 336 9.1.2 예제 문장으로 모형을 시험 339 9.1.3 더러운 자료 340 9.1.4 다시 더러운 자료로 돌아가서 344 9.1.5 단어보다 글자가 쉽다 345 9.1.6 말문이 열린 신경망 352 9.1.7 구체적인 예제 하나 354 9.1.8 무엇을 말할 것인가? 363 9.1.9 다른 종류의 기억 수단 363 9.1.10 더 깊이 들어가서 364 요약 366 CHAPTER 10 순차열 대 순차열 모형과 주의 메커니즘 367 10.1 부호기-복호기 구조 368 10.1.1 생각 벡터의 복호화 369 10.1.2 비슷한 구조들 371 10.1.3 대화 생성을 위한 순차열 대 순차열 모형 373 10.1.4 LSTM 복습 374 10.2 순차열 대 순차열 NLP 파이프라인 구축 375 10.2.1 순차열 대 순차열 훈련을 위한 자료 집합 준비 375 10.2.2 케라스의 순차열 대 순차열 모형 376 10.2.3 순차열 부호기 377 10.2.4 생각 벡터 복호기 379 10.2.5 순차열 대 순차열 신경망 조립 380 10.3 순차열 대 순차열 신경망의 훈련 381 10.3.1 출력 순차열 생성 381 10.4 순차열 대 순차열 신경망을 이용한 챗봇 구축 383 10.4.1 훈련 자료 준비 383 10.4.2 문자 사전 구축 384 10.4.3 원핫 부호화 훈련 집합 생성 385 10.4.4 순차열 대 순차열 챗봇의 훈련 386 10.4.5 순차열 생성을 위한 모형 설정 387 10.4.6 순차열 생성(예측) 387 10.4.7 응답문 생성 및 출력 388 10.4.8 챗봇과 대화 389 10.5 개선안 390 10.5.1 버키팅을 이용한 학습 복잡도 감소 390 10.5.2 주의 메커니즘 391 10.6 순차열 대 순차열 신경망의 실제 용도 393 요약 395 PART III 응용: 실제 NLP 문제들 397 CHAPTER 11 정보 추출: 개체명 인식과 질의응답 399 11.1 개체명과 개체 관계 399 11.1.1 지식 베이스 400 11.1.2 정보 추출 403 11.2 정규 패턴 404 11.2.1 정규 표현식 405 11.2.2 기계 학습 특징 추출로서의 정보 추출 406 11.3 추출할 만한 정보 408 11.3.1 GPS 좌표 추출 408 11.3.2 날짜 추출 409 11.4 관계의 추출 415 11.4.1 품사 태깅 416 11.4.2 개체명 정규화 420 11.4.3 관계의 정규화와 추출 422 11.4.4 단어 패턴 422 11.4.5 분할 423 11.4.6 split(‘.!?’)만으로는 안 되는 이유 424 11.4.7 정규 표현식을 이용한 문장 분할 426 11.5 실제 용도 428 요약 429 CHAPTER 12 챗봇(대화 엔진) 만들기 431 12.1 대화 능력 432 12.1.1 현대적 접근 방식들 434 12.1.2 혼합형 접근 방식 441 12.2 패턴 부합 접근 방식 441 12.2.1 AIML을 이용한 패턴 부합 챗봇 구현 443 12.2.2 패턴 부합의 그래프 시각화 450 12.3 근거화 451 12.4 정보 검색 454 12.4.1 문맥 관리의 어려움 454 12.4.2 정보 검색 기반 챗봇 예제 456 12.4.3 Chatterbot 소개 460 12.5 생성 모형 463 12.5.1 NLPIA에 관한 대화 464 12.5.2 각 접근 방식의 장단점 466 12.6 사륜구동 467 12.6.1 챗봇 프레임워크 Will 468 12.7 설계 과정 469 12.8 요령과 편법 473 12.8.1 예측 가능한 답이 나올 질문을 던진다 473 12.8.2 동문서답 474 12.8.3 최후의 대비책은 검색 474 12.8.4 흥미 유지 475 12.8.5 인연 만들기 475 12.8.6 감정 담기 475 12.9 실제 응용 분야 476 요약 477 CHAPTER 13 규모 확장: 최적화, 병렬화, 일괄 처리 479 13.1 자료가 너무 많으면 480 13.2 NLP 알고리즘의 최적화 480 13.2.1 색인화 481 13.2.2 고급 색인화 483 13.2.3 Annoy를 이용한 고급 색인화 485 13.2.4 근사적 색인이 꼭 필요한가? 490 13.2.5 실숫값의 색인화: 이산화 491 13.3 상수 RAM 알고리즘 492 13.3.1 gensim 492 13.3.2 그래프 계산 493 13.4 NLP 계산 병렬화 494 13.4.1 GPU를 이용한 NLP 모형의 훈련 495 13.4.2 대여와 구매 496 13.4.3 GPU 대여 옵션들 497 13.4.4 TPU(텐서 처리 장치) 498 13.5 모형 훈련의 메모리 요구량 줄이기 498 13.6 TensorBoard를 이용한 모형 성능 평가 501 13.6.1 단어 내장 시각화 502 요약 505 APPENDIX A NLP 도구들 507 A.1 Anaconda3 설치 508 A.2 NLPIA 설치 509 A.3 IDE 509 A.4 우분투 패키지 관리자 510 A.5 맥 OS 511 A.5.1 Homebrew 511 A.5.2 기타 개발용 도구 설치 512 A.5.3 조율 512 A.6 Windows 514 A.6.1 VM 설정 515 A.7 NLPIA의 편의 기능 515 APPENDIX B 파이썬 즐기기와 정규 표현식 517 B.1 문자열 다루기 518 B.1.1 문자열 형식들: str과 bytes 518 B.1.2 파이썬 문자열 템플릿 519 B.2 파이썬의 매핑 자료 구조: dict와 OrderedDict 519 B.3 정규 표현식 520 B.3.1 |―OR 기호 520 B.3.2 ()―그룹 묶기 521 B.3.3 []―문자 부류 522 B.4 코딩 스타일 523 B.5 실력 쌓기 523 APPENDIX C 벡터와 행렬: 기초 선형대수 524 C.1 벡터 524 C.1.1 거리 526 APPENDIX D 기계 학습의 도구와 기법 531 D.1 자료 선택과 편향 531 D.2 얼마나 적합해야 적합된 것인가? 533 D.3 문제를 알면 반은 해결된 것이다 534 D.4 교차 검증 535 D.5 과대적합 방지 536 D.5.1 정칙화 537 D.5.2 드롭아웃 538 D.5.3 배치 정규화 539 D.6 불균형 훈련 집합 539 D.6.1 과다표집 540 D.6.2 과소표집 540 D.6.3 자료 증강 541 D.7 성능 측정 542 D.7.1 분류 모형의 성능 측정 542 D.7.2 회귀 모형의 성능 측정 545 D.8 전문가의 조언 545 APPENDIX E AWS GPU 설정 548 E.1 AWS 인스턴스 설정 549 E.1.1 비용 관리 561 APPENDIX F 지역 민감 해싱(LSH) 564 F.1 고차원 벡터는 어렵다 564 F.1.1 벡터 공간의 색인과 해시 565 F.1.2 고차원적 사고 566 F.2 고차원 색인화 570 F.2.1 지역 민감 해싱 570 F.2.2 근사 최근접 이웃 검색 571 F.3 ‘좋아요’ 예측 571 참고 자료 573 용어집 586 찾아보기 595

더보기

상세 이미지 상세 이미지 보이기/감추기

상품 이미지를 확대해서 볼 수 있습니다. 원본 이미지

더보기

저자 소개 (4명)

역 : 류광 이동 관심작가 알림신청

책 속으로 책속으로 보이기/감추기

단어의 이러한 벡터 표현과 문서의 테이블 표현이 가진 한 가지 장점은 그 어떤 정보도 소실되지 않는다는 점이다. 각 열이 어떤 단어에 대응되는지에 관한 정보만 유지한다면, 이러한 원핫 벡터들의 테이블로 원래의 문서를 복원할 수 있다. 그리고 이러한 복원 과정은 100% 정확하다. 비록 현재의 토큰 생성기가 우리가 유용하다고 생각하는 수준의 90%의 정확도로만 토큰들을 생성한다고 해도 그렇다. 이런 장점 때문에 신경망, 문장 대 문장 언어 모형, 생성적 언어 모형들에서는 이런 원핫 단어 벡터들을 흔히 사용한다. 원핫 벡터 표현은 원래의 텍스트에 담긴 의미를 고스란히 유지해야 하는 모든 종류의 모형이나 NLP 파이프라인에 적합하다.
--- p.45

간단한 검색 엔진들은 바로 이 TF-IDF 수치 하나에 기초한다. 이 수치를 통해 우리는 텍스트(문자열) 처리의 세계에서 수치 연산의 세계로 확실하게 넘어오게 되었다. 다음 절부터는 이 수치로 할 수 있는 계산들을 살펴본다. 사실 여러분이 TF-IDF 계산을 구현하는 코드를 실제로 작성할 일은 거의 없을 것이다. 선형대수를 몰라도 자연어 처리에 쓰이는 도구들을 이해하는 데 크게 문제가 되지는 않는다. 그러긴 하지만, 이런 공식들에 익숙해지면 자연어 처리 도구들을 좀 더 직관적으로 이해하고 사용할 수 있게 된다.
--- p.109

LDA 모형의 ‘훈련’에 필요한 것은 이진 부류의 두 무게중심을 잇는 직선을 찾는 것이다. 이번 예제의 분류기는 주어진 단문 문자(SMS) 메시지가 스팸인지 아닌지를 분류한다. 즉, 이진 부류는 ‘스팸’ 대 ‘비스팸’이다. LDA는 지도 학습에 속하므로, 훈련용 문자(SMS) 메시지들에 분류명(class label)을 붙여 두어야 한다. 이러한 모형으로 추론(inference) 또는 예측을 수행하는 방법은 간단하다. 그냥 TF-IDF 벡터가 어느 부류의 무게중심에 더 가까운지 보면 된다. 즉, 만일 TF-IDF 벡터가 스팸 부류 무게중심에 더 가깝다면 그 벡터에 해당하는 메시지는 스팸일 가능성이 크다.
--- p.130

이런 과대적합은 NLP의 고질적인 문제이다. 사람들의 다양한 어법과 어휘를 포함하며 응용 분야에 맞는 적절한 분류명이 붙은 자연어 자료 집합을 구하기란 쉽지 않다. 실제로 나는 스패머들이 고안할 만한 모든 스팸성 단어와 비스팸성 단어를 포함한 거대한 문자 메시지 데이터베이스를 구할 수 없었다. 그런 자료 집합을 만들어낼 수 있는 기업은 극히 소수이다. 따라서 우리가 할 수 있는 일은 과대적합을 기정사실로 받아들이고 그에 대한 대응책을 모색하는 것뿐이다. 즉, 적은 수의 훈련 견본으로 모형을 훈련해도 모형이 미지의 견본들에 잘 “일반화되게” 하는 알고리즘을 찾아야 한다.
--- p.153

합성곱 필터는 인접한 단어들에서 특정한 패턴을 검출한다. 그리고 단어들의 위치가 조금 변해도 합성곱 신경망의 출력은 크게 영향을 받지 않는다. 중요한 점은, 서로 가까이 있는 개념들이 합성곱 신경망에 큰 영향을 준다는 것이다. 그런데 좀 더 넓은 시야로 텍스트를 바라보고 좀 더 긴 시간 구간에서 단어들 사이의 관계들을 파악하고 싶다면, 그러니까 인접한 토큰 세 개나 네 개보다는 더 큰 구간으로 단어들을 처리하고 싶다면 어떻게 해야 할까? 그러니까 신경망이 “꽤 오래전에 본 단어들”을 고려하게 만들려면, 다시 말해 신경망에 ‘기억’ 능력을 추가하려면 어떻게 해야 할까?

--- p.293

회원리뷰 (3건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?

총 평점 9.0점 9.0 / 10.0

검색결과 정렬 옵션 삭제

회원리뷰 전체보기

한줄평 (2건) 한줄평 이동

한줄평 쓰기

혜택 및 유의사항?

총 평점 10.0점 10.0 / 10.0

구매 한줄평

한줄평 전체보기

배송/반품/교환 안내

배송 안내

반품/교환 안내에 대한 내용입니다.
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내에 대한 내용입니다.
반품/교환 방법	고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태)
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리