품목정보
발행일	2024년 07월 25일
쪽수, 무게, 크기	508쪽 \| 1004g \| 18824525mm
ISBN13	9791193926314

더보기

이 상품의 태그

#텐서플로 #데이터분석 #데이터과학

파이썬 시계열 예측 분석

34,200원 (10%)

'파이썬 시계열 예측 분석' 상세페이지 이동

개발자를 위한 머신러닝&딥러닝

30,600원 (10%)

'개발자를 위한 머신러닝&딥러닝' 상세페이지 이동

선형대수와 통계학으로 배우는 머신러닝 with 파이썬

33,750원 (10%)

'선형대수와 통계학으로 배우는 머신러닝 with 파이썬' 상세페이지 이동

초소형 머신러닝 TinyML

36,000원 (10%)

'초소형 머신러닝 TinyML' 상세페이지 이동

핸즈온 비지도 학습

30,600원 (10%)

'핸즈온 비지도 학습' 상세페이지 이동

딥러닝으로 걷는 시계열 예측

21,600원 (10%)

'딥러닝으로 걷는 시계열 예측' 상세페이지 이동

GAN 인 액션

27,000원 (10%)

'GAN 인 액션' 상세페이지 이동

파이썬으로 완성하는 비지도 학습 알고리즘

30,600원 (10%)

'파이썬으로 완성하는 비지도 학습 알고리즘' 상세페이지 이동

웹 브라우저 속 머신러닝 TensorFlow.js

22,500원 (10%)

'웹 브라우저 속 머신러닝 TensorFlow.js' 상세페이지 이동

머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로

29,700원 (10%)

'머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로' 상세페이지 이동

텐서플로와 머신러닝으로 시작하는 자연어 처리

27,000원 (10%)

'텐서플로와 머신러닝으로 시작하는 자연어 처리' 상세페이지 이동

카드 뉴스로 보는 책

옮긴이 머리말 xiii 베타리더 후기 xiv 머리말 xvi 감사의 말 xviii 이 책에 대하여 xix 표지에 대하여 xxiii PART I 시간은 그 누구도 기다려주지 않는다 CHAPTER 1 시계열 예측의 이해 3 1.1 시계열 소개 4 __1.1.1 시계열의 구성요소 5 1.2 시계열 예측에 대한 조감도 8 __1.2.1 목적 설정하기 10 / 1.2.2 목적을 달성하기 위해 무엇을 예측해야 하는지 결정하기 10 / 1.2.3 예측할 기간 설정하기 10 / 1.2.4 데이터 수집하기 10 / 1.2.5 예측 모델 개발하기 11 / 1.2.6 상용 환경에 배포하기 12 / 1.2.7 모니터링하기 12 / 1.2.8 새로운 데이터 수집하기 12 1.3 시계열 예측이 다른 회귀 작업들과 다른 점 13 __1.3.1 시계열에는 순서가 있다 13 / 1.3.2 시계열에 특징이 없는 경우가 있다 14 1.4 다음 단계 14 요약 15 CHAPTER 2 단순하게 미래 예측하기 16 2.1 베이스라인 모델 정의하기 18 2.2 과거 평균으로 예측하기 19 __2.2.1 베이스라인 구현을 위한 설정 20 / 2.2.2 과거 평균 기반 베이스라인 모델 구현하기 22 2.3 작년의 평균으로 예측하기 27 2.4 마지막으로 측정된 값으로 예측하기 29 2.5 단순한 계절적 예측 구현하기 31 2.6 다음 단계 32 요약 33 CHAPTER 3 확률보행 따라가보기 35 3.1 확률보행 프로세스 37 __3.1.1 확률보행 프로세스 시뮬레이션하기 37 3.2 확률보행 식별하기 40 __3.2.1 정상성 42 / 3.2.2 정상성 테스트하기 44 / 3.2.3 자기상관함수 48 / 3.2.4 모든 것을 종합하기 48 / 3.2.5 GOOGL은 확률보행인가? 52 3.3 확률보행 예측하기 55 __3.3.1 긴 기간 예측하기 55 / 3.3.2 다음 시간 단계 예측하기 61 3.4 다음 단계 64 3.5 연습 65 __3.5.1 확률보행 시뮬레이션하기와 예측하기 65 / 3.5.2 GOOGL의 일일 종가 예측하기 66 / 3.5.3 직접 선택한 종목의 일일 종가 예측하기 66 요약 67 PART 2 통계적 모델을 사용하여 예측하기 CHAPTER 4 이동평균과정 모델링하기 71 4.1 이동평균과정 정의하기 73 __4.1.1 이동평균과정의 차수 식별하기 75 4.2 이동평균과정 예측하기 80 4.3 다음 단계 90 4.4 연습 91 __4.4.1 MA(2) 프로세스 시뮬레이션하고 예측 수행하기 92 / 4.4.2 MA(q) 프로세스 시뮬레이션하고 예측 수행하기 92 요약 93 CHAPTER 5 자기회귀과정 모델링하기 94 5.1 소매점의 주간 평균 유동인구 예측하기 95 5.2 자기회귀과정 정의하기 97 5.3 정상적 자기회귀과정의 차수 찾기 98 __5.3.1 편자기상관함수 104 5.4 자기회귀과정 예측하기 107 5.5 다음 단계 114 5.6 연습 114 __5.6.1 AR(2) 프로세스 시뮬레이션하고 예측 수행하기 114 / 5.6.2 AR(p) 프로세스 시뮬레이션하고 예측 수행하기 115 요약 115 CHAPTER 6 복잡한 시계열 모델링하기 116 6.1 데이터 센터의 대역폭 사용량 예측하기 117 6.2 자기회귀이동평균과정 살펴보기 120 6.3 정상적 ARMA 프로세스 식별하기 122 6.4 일반적 모델링 절차 고안하기 128 __6.4.1 아카이케 정보 기준 이해하기 130 / 6.4.2 AIC를 사용하여 모델 선택하기 132 / 6.4.3 잔차 분석 이해하기 134 / 6.4.4 잔차 분석 수행하기 139 6.5 일반적 모델링 절차 적용하기 143 6.6 대역폭 사용량 예측하기 152 6.7 다음 단계 157 6.8 연습 157 __6.8.1 시뮬레이션된 ARMA(1,1) 프로세스에 대한 예측 수행하기 158 / 6.8.2 ARMA(2,2) 프로세스 시뮬레이션하고 예측 수행하기 158 요약 159 CHAPTER 7 비정상적 시계열 예측하기 161 7.1 자기회귀누적이동평균 모델 정의하기 164 7.2 비정상적 시계열에 적용하기 위해 일반적 모델링 절차 수정하기 165 7.3 비정상적 시계열 예측하기 167 7.4 다음 단계 177 7.5 연습 177 __7.5.1 4장, 5장, 6장의 데이터 집합에 ARIMA(p,d,q) 모델 적용하기 177 요약 178 CHAPTER 8 계절성 고려하기 179 8.1 SARIMA(p,d,q)(P,D,Q)m 모델 살펴보기 180 8.2 시계열에서 계절별 패턴 식별하기 183 8.3 월간 항공 승객 수 예측하기 187 __8.3.1 ARIMA(p,d,q) 모델을 사용하여 예측하기 190 / 8.3.2 SARIMA(p,d,q)(P,D,Q)m 모델을 사용하여 예측하기 196 / 8.3.3 각 예측 방법의 성능 비교하기 200 8.4 다음 단계 203 8.5 연습 203 __8.5.1 존슨앤드존슨 데이터 집합에 SARIMA(p,d,q)(P,D,Q)m 모델 적용하기 203 요약 204 CHAPTER 9 모델에 외생 변수 추가하기 205 9.1 SARIMAX 모델 살펴보기 207 __9.1.1 미국 거시경제 데이터 집합의 외생 변수 탐색하기 208 / 9.1.2 SARIMAX 사용 시 유의사항 211 9.2 SARIMAX 모델을 사용하여 실질 GDP 예측하기 212 9.3 다음 단계 221 9.4 연습 222 __9.4.1 SARIMAX 모델에 모든 외생 변수를 사용하여 실질 GDP 예측하기 222 요약 222 CHAPTER 10 다중 시계열 예측하기 223 10.1 VAR 모델 살펴보기 225 10.2 VAR(p) 모델에 대한 모델링 절차 설계하기 227 __10.2.1 그레인저 인과관계 테스트 살펴보기 229 10.3 실질 가처분 소득과 실질 소비 예측하기 230 10.4 다음 단계 242 10.5 연습 243 __10.5.1 VARMA 모델을 사용하여 realdpi와 realcons 예측하기 243 /10.5.2 VARMAX 모델을 사용하여 realdpi와 realcons 예측하기 244 요약 244 CHAPTER 11 캡스톤 프로젝트: 호주의 항당뇨제 처방 건수 예측하기 245 11.1 필요한 라이브러리 임포트하고 데이터 로딩하기 247 11.2 수열과 그 구성요소 시각화하기 248 11.3 데이터로 모델링하기 250 __11.3.1 모델 선택 수행하기 253 / 11.3.2 잔차 분석 수행하기 254 11.4 예측을 수행하고, 모델 성능 평가하기 256 11.5 다음 단계 260 PART 3 딥러닝을 활용하여 대규모 예측하기 CHAPTER 12 시계열 예측을 위한 딥러닝 소개하기 263 12.1 시계열 예측에 딥러닝을 사용해야 하는 경우 264 12.2 다양한 유형의 딥러닝 모델 살펴보기 265 12.3 예측을 위한 딥러닝 적용 준비하기 268 __12.3.1 데이터 탐색 수행하기 268 / 12.3.2 특징 엔지니어링과 데이터 분할 272 12.4 다음 단계 277 12.5 연습 277 요약 278 CHAPTER 13 딥러닝을 위해 데이터 윈도잉하고 베이스라인 모델 만들기 279 13.1 데이터 윈도우 만들기 280 __13.1.1 시계열 예측을 위한 딥러닝 모델을 훈련하는 방법 살펴보기 280 __13.1.2 DataWindow 클래스 구현하기 284 13.2 베이스라인 모델 적용하기 292 __13.2.1 단일 단계 베이스라인 모델 292 __13.2.2 다중 단계 베이스라인 모델 295 __13.2.3 다중 출력 베이스라인 모델 299 13.3 다음 단계 303 13.4 연습 303 요약 304 CHAPTER 14 딥러닝 첫걸음 305 14.1 선형 모델 구현하기 306 __14.1.1 단일 단계 선형 모델 구현하기 307 / 14.1.2 다중 단계 선형 모델 구현하기 309 / 14.1.3 다중 출력 선형 모델 구현하기 311 14.2 심층 신경망 구현하기 312 __14.2.1 단일 단계 모델로 심층 신경망 구현하기 314 / 14.2.2 다중 단계 모델로 심층 신경망 구현하기 317 / 14.2.3 다중 출력 모델로서 심층 신경망 구현하기 319 14.3 다음 단계 320 14.4 연습 321 요약 322 CHAPTER 15 LSTM으로 과거 기억하기 323 15.1 순환 신경망 살펴보기 324 15.2 LSTM 아키텍처 살펴보기 326 __15.2.1 망각 게이트 327 / 15.2.2 입력 게이트 329 / 15.2.3 출력 게이트 330 15.3 LSTM 아키텍처 구현하기 332 __15.3.1 단일 단계 모델로서 LSTM 구현하기 332 / 15.3.2 다중 단계 모델로서 LSTM 구현하기 335 / 15.3.3 다중 출력 모델로서 LSTM 구현하기 338 15.4 다음 단계 341 15.5 연습 342 요약 343 CHAPTER 16 CNN으로 시계열 필터링하기 344 16.1 CNN 살펴보기 345 16.2 CNN 구현하기 349 __16.2.1 CNN을 단일 단계 모델로서 구현하기 350 / 16.2.2 CNN을 다중 단계 모델로서 구현하기 354 / 16.2.3 CNN을 다중 출력 모델로서 구현하기 356 16.3 다음 단계 359 16.4 연습 359 요약 361 CHAPTER 17 예측으로 더 많은 예측하기 362 17.1 ARLSTM 아키텍처 살펴보기 363 17.2 자기회귀 LSTM 모델 구축하기 364 17.3 다음 단계 370 17.4 연습 371 요약 371 CHAPTER 18 캡스톤 프로젝트: 가정의 전력 소비량 예측하기 372 18.1 캡스톤 프로젝트 이해하기 373 __18.1.1 캡스톤 프로젝트의 목표 375 18.2 데이터 랭글링 및 전처리하기 376 __18.2.1 누락된 데이터 처리하기 377 / 18.2.2 데이터 변환 379 / 18.2.3 데이터 리샘플링하기 379 18.3 특징 엔지니어링 382 __18.3.1 불필요한 열 제거하기 383 / 18.3.2 계절적 기간 식별하기 383 / 18.3.3 데이터를 분할하고 규모 조정하기 386 18.4 딥러닝으로 모델링할 준비하기 387 __18.4.1 초기 설정 387 / 18.4.2 DataWindow 클래스 정의하기 389 / 18.4.3 모델 훈련을 위한 유틸리티 함수 391 18.5 딥러닝으로 모델링하기 392 __18.5.1 베이스라인 모델 392 / 18.5.2 선형 모델 396 / 18.5.3 심층 신경망 397 / 18.5.4 장단기 메모리 모델 398 / 18.5.5 합성곱 신경망 399 / 18.5.6 CNN과 LSTM 결합하기 401 / 18.5.7 자기회귀 LSTM 모델 402 / 18.5.8 최적의 모델 선택하기 404 18.6 다음 단계 406 PART 4 대규모 예측 자동화하기 CHAPTER 19 Prophet으로 시계열 예측 자동화하기 409 19.1 자동화된 예측 라이브러리들에 대한 개관 410 19.2 Prophet 살펴보기 412 19.3 Prophet을 사용하여 기본적 예측해보기 414 19.4 Prophet의 고급 기능 살펴보기 420 __19.4.1 시각화 기능 421 / 19.4.2 교차 검증과 성능 지표 425 / 19.4.3 하이퍼파라미터 튜닝 429 19.5 Prophet으로 견고한 예측 절차 구현하기 432 __19.5.1 예측 프로젝트: 구글에서 ‘chocolate’ 검색의 인기도 예측하기 434 / 19.5.2 실험: SARIMA가 더 나을 수도 있을까? 442 19.6 다음 단계 446 19.7 연습 447 __19.7.1 항공 승객 수 예측하기 447 / 19.7.2 항당뇨제 처방 건수 예측하기 447 / 19.7.3 구글 트렌드에서 키워드의 인기도 예측하기 447 요약 448 CHAPTER 20 캡스톤 프로젝트: 캐나다의 스테이크 월평균 소매 가격 예측하기 449 20.1 캡스톤 프로젝트의 이해 450 __20.1.1 캡스톤 프로젝트의 목표 450 20.2 데이터 전처리와 시각화 451 20.3 Prophet을 사용한 모델링 453 20.4 선택사항: SARIMA 모델 개발하기 459 20.5 다음 단계 464 CHAPTER 21 한 단계 더 나아가기 466 21.1 배운 내용 요약하기 467 __21.1.1 예측을 위한 통계적 방법 467 / 21.1.2 예측을 위한 딥러닝 방법 468 / 21.1.3 예측 절차 자동화 469 21.2 예측이 실패하면 무엇을 해야 할까? 470 21.3 시계열 데이터의 다른 응용 분야 472 21.4 계속 연습하기 473 APPENDIX A 설치 지침 475 찾아보기 479

더보기

상세 이미지 상세 이미지 보이기/감추기

상품 이미지를 확대해서 볼 수 있습니다. 원본 이미지

더보기

저자 소개 (2명)

책 속으로 책속으로 보이기/감추기

이 책은 전적으로 시계열 예측에 초점을 맞추고 있다. 우선 더 복잡한 모델의 기준점이 될 수 있는 간단한 예측 방법을 배울 것이다. 그다음으로 이동평균 모델과 자기회귀 모델이라는 두 가지 통계적 학습 기법을 사용하여 예측을 수행해본다. 이러한 기법들은 비정상성(non-stationarity), 계절성 효과, 외생 변수의 영향을 다룰 수 있는 더 복잡한 모델들의 기초가 될 것이다. 그 후 통계적 학습 기법에서 딥러닝 기법으로 전환하여, 통계적 학습보다 딥러닝이 더 좋은 성능을 보이는 경우인, 고차원이자 대규모의 시계열에 대해 예측하는 시나리오를 살펴본다.
--- p.4

확률보행 모델을 사용하여 GOOGL의 일일 종가를 모델링할 수 있다는 점을 확인해보겠다. 이를 위해 먼저 프로세스가 정상적인지 확인해야 한다. 비정상적 프로세스인 경우, 프로세스를 정상적으로 만들기 위해 차분과 같은 변환을 적용해야 한다. 그런 다음 자기상관함수(autocorrelation function, ACF)를 도식화하여 GOOGL의 일일 종가를 확률보행 모델로 근사화할 수 있는지 확인할 수 있다. 이번 장에서는 차분과 자기상관함수 도식화를 모두 다룰 것이다. 마지막으로 GOOGL의 미래 종가를 예측하는 것으로 이번 장을 마무리하겠다.
--- p.36

이번 장에서는 자기회귀이동평균과정(autoregressive moving average process)인 ARMA(p,q)를 살펴보겠다. 여기서 p는 자기회귀 부분의 차수를 나타내고, q는 이동평균 부분의 차수를 나타낸다. (중략) 이 절차에는 아카이케 정보 기준(Akaike information criterion, AIC)을 사용한 모델 선택을 포함하며, 이를 통해 시계열에 대한 최적의 p와 q 조합을 결정한다. 그런 다음, 모델 잔차의 상관관계도인 Q-Q 도식 및 밀도 도식을 검토하여 모델 잔차가 백색소음과 유사한지 평가하는 잔차 분석(residual analysis)을 통해 모델의 유효성을 평가해야 한다. 만약 유효한 것으로 판정된다면 ARMA(p,q) 모델을 사용하여 시계열을 예측하는 단계로 넘어갈 수 있다.
--- p.117

예를 들어 시간별 기온을 예측해야 한다고 가정해보자. 밤에는 기온이 낮보다 낮고 낮에는 기온이 높은 경향이 있으므로 일별 계절성이 있다고 가정하는 것이 합리적이지만, 겨울에는 기온이 낮고 여름에는 기온이 높기 때문에 연간 계절성도 존재한다. 이러한 경우 딥러닝을 사용하여 두 계절의 정보를 모두 활용해 예측할 수 있다. (중략) 결국 딥러닝은 통계적 모델을 피팅하는 데 너무 많은 시간이 걸리거나, 백색소음에 가깝지 않고 상관관계가 있는 잔차가 있을 때 사용한다. 이는 모델에서 고려할 수 없는 다른 계절적 기간이 존재하거나 단순히 특징과 대상 간에 비선형 관계가 있기 때문일 수도 있다. 이러한 경우 딥러닝 모델을 사용하여 이런 비선형 관계를 포착할 수 있으며, 훈련 속도가 매우 빠르다는 추가적인 이점도 있다.
--- p.264

순환 신경망(RNN)의 특정 사례인 장단기 메모리(LSTM)라는 고급 아키텍처를 살펴보겠다. 이 유형의 신경망은 순서가 중요한 데이터 배열을 처리하는 데 사용된다. RNN과 LSTM의 일반적인 응용 분야 중 하나는 자연어 처리다. 문장의 단어에는 순서가 있으며, 그 순서를 바꾸면 문장의 뜻이 완전히 달라질 수 있다. 따라서 텍스트 분류나 텍스트 생성 알고리즘의 배후에는 이러한 아키텍처가 있는 경우가 많다. / 데이터의 순서가 중요한 또 다른 상황은 시계열이다. 시계열은 시간상 동일한 간격을 차지하는 데이터들의 연속이며 순서를 변경할 수 없다는 것을 알고 있다. 오전 9시에 관측된 데이터 요소는 오전 10시에 관측된 데이터 요소보다 앞에, 오전 8시에 관측된 데이터 요소보다 뒤에 있어야 한다. 따라서 시계열을 예측하는 데 LSTM 아키텍처를 적용하는 것은 합리적이다.
--- p.323

수작업으로 모델을 구축하고 조정하면 예측 기법을 유연하고 완벽하게 제어할 수 있지만, 대부분의 예측 절차를 자동화하면 시계열을 더 쉽게 예측하고 실험을 가속화할 수 있다는 점에서 의미가 있다. 즉 자동화 도구는 예측을 빠르게 얻을 수 있도록 하며, 종종 최신 모델의 사용을 용이하게 하기 때문에 자동화 도구를 이해하는 것은 중요하다.

--- p.409

출판사 리뷰 출판사 리뷰 보이기/감추기

회원리뷰 (7건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?

총 평점 9.8점 9.8 / 10.0

검색결과 정렬 옵션 삭제

회원리뷰 전체보기

한줄평 (1건) 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