품목정보
발행일	2019년 05월 24일
쪽수, 무게, 크기	644쪽 \| 1168g \| 18323526mm
ISBN13	9791160507966
ISBN10	1160507961

더보기

이 상품의 태그

#월간개발자_대표도서 #2019IT연말결산선정도서 #알고리즘 #코딩 #개발자 #프로그래밍 #텐서플로 #사이킷런 #파이썬 #딥러닝 #머신러닝 #인공지능

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

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

프롬프트 엔지니어링

22,500원 (10%)

'프롬프트 엔지니어링' 상세페이지 이동

디자인, 이것만 알면 쉬워져요 with 63가지 LESSON

18,000원 (10%)

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

Kotlin in Action

32,400원 (10%)

'Kotlin in Action' 상세페이지 이동

이득우의 게임 수학

40,500원 (10%)

'이득우의 게임 수학' 상세페이지 이동

모두의 딥러닝

21,600원 (10%)

'모두의 딥러닝' 상세페이지 이동

파이썬 알고리즘 인터뷰

34,200원 (10%)

'파이썬 알고리즘 인터뷰' 상세페이지 이동

Do it! 쉽게 배우는 파이썬 데이터 분석

20,700원 (10%)

'Do it! 쉽게 배우는 파이썬 데이터 분석' 상세페이지 이동

필독! 개발자 온보딩 가이드

22,500원 (10%)

'필독! 개발자 온보딩 가이드' 상세페이지 이동

실전 시계열 분석

34,200원 (10%)

'실전 시계열 분석' 상세페이지 이동

Node.js 교과서

37,800원 (10%)

'Node.js 교과서' 상세페이지 이동

그림으로 공부하는 IT 인프라 구조

23,400원 (10%)

'그림으로 공부하는 IT 인프라 구조' 상세페이지 이동

Do it! 쉽게 배우는 R 데이터 분석

18,000원 (10%)

'Do it! 쉽게 배우는 R 데이터 분석' 상세페이지 이동

선형대수와 통계학으로 배우는 머신러닝 with 파이썬

33,750원 (10%)

'선형대수와 통계학으로 배우는 머신러닝 with 파이썬' 상세페이지 이동

개발자의 글쓰기

16,200원 (10%)

'개발자의 글쓰기' 상세페이지 이동

심층 학습

37,800원 (10%)

'심층 학습' 상세페이지 이동

더보기

1장 컴퓨터는 데이터에서 배운다 1.1 데이터를 지식으로 바꾸는 지능적인 시스템 구축 1.2 머신 러닝의 세 가지 종류 __1.2.1 지도 학습으로 미래 예측 __1.2.2 강화 학습으로 반응형 문제 해결 __1.2.3 비지도 학습으로 숨겨진 구조 발견 1.3 기본 용어와 표기법 소개 1.4 머신 러닝 시스템 구축 로드맵 __1.4.1 전처리: 데이터 형태 갖추기 __1.4.2 예측 모델 훈련과 선택 __1.4.3 모델을 평가하고 본 적 없는 샘플로 예측 1.5 머신 러닝을 위한 파이썬 __1.5.1 파이썬과 PIP에서 패키지 설치 __1.5.2 아나콘다 파이썬 배포판과 패키지 관리자 사용 __1.5.3 과학 컴퓨팅, 데이터 과학, 머신 러닝을 위한 패키지 1.6 요약 2장 간단한 분류 알고리즘 훈련 2.1 인공 뉴런: 초기 머신 러닝의 간단한 역사 __2.1.1 인공 뉴런의 수학적 정의 __2.1.2 퍼셉트론 학습 규칙 2.2 파이썬으로 퍼셉트론 학습 알고리즘 구현 __2.2.1 객체 지향 퍼셉트론 API __2.2.2 붓꽃 데이터셋에서 퍼셉트론 훈련 2.3 적응형 선형 뉴런과 학습의 수렴 __2.3.1 경사 하강법으로 비용 함수 최소화 __2.3.2 파이썬으로 아달린 구현 __2.3.3 특성 스케일을 조정하여 경사 하강법 결과 향상 __2.3.4 대규모 머신 러닝과 확률적 경사 하강법 2.4 요약 3장 사이킷런을 타고 떠나는 머신 러닝 분류 모델 투어 3.1 분류 알고리즘 선택 3.2 사이킷런 첫걸음: 퍼셉트론 훈련 3.3 로지스틱 회귀를 사용한 클래스 확률 모델링 __3.3.1 로지스틱 회귀의 이해와 조건부 확률 __3.3.2 로지스틱 비용 함수의 가중치 학습 __3.3.3 아달린 구현을 로지스틱 회귀 알고리즘으로 변경 __3.3.4 사이킷런을 사용하여 로지스틱 회귀 모델 훈련 __3.3.5 규제를 사용하여 과대적합 피하기 3.4 서포트 벡터 머신을 사용한 최대 마진 분류 __3.4.1 최대 마진 __3.4.2 슬랙 변수를 사용하여 비선형 분류 문제 다루기 __3.4.3 사이킷런의 다른 구현 3.5 커널 SVM을 사용하여 비선형 문제 풀기 __3.5.1 선형적으로 구분되지 않는 데이터를 위한 커널 방법 __3.5.2 커널 기법을 사용하여 고차원 공간에서 분할 초평면 찾기 3.6 결정 트리 학습 __3.6.1 정보 이득 최대화: 자원을 최대로 활용 __3.6.2 결정 트리 만들기 __3.6.3 랜덤 포레스트로 여러 개의 결정 트리 연결 3.7 k-최근접 이웃: 게으른 학습 알고리즘 3.8 요약 4장 좋은 훈련 세트 만들기: 데이터 전처리 4.1 누락된 데이터 다루기 __4.1.1 테이블 형태 데이터에서 누락된 값 식별 __4.1.2 누락된 값이 있는 샘플이나 특성 제외 __4.1.3 누락된 값 대체 __4.1.4 사이킷런 추정기 API 익히기 4.2 범주형 데이터 다루기 __4.2.1 순서가 있는 특성과 순서가 없는 특성 __4.2.2 순서 특성 매핑 __4.2.3 클래스 레이블 인코딩 __4.2.4 순서가 없는 특성에 원-핫 인코딩 적용 4.3 데이터셋을 훈련 세트와 테스트 세트로 나누기 4.4 특성 스케일 맞추기 4.5 유용한 특성 선택 __4.5.1 모델 복잡도 제한을 위한 L1 규제와 L 2 규제 __4.5.2 L 2 규제의 기하학적 해석 __4.5.3 L1 규제를 사용한 희소성 __4.5.4 순차 특성 선택 알고리즘 4.6 랜덤 포레스트의 특성 중요도 사용 4.7 요약 5장 차원 축소를 사용한 데이터 압축 5.1 주성분 분석을 통한 비지도 차원 축소 __5.1.1 주성분 분석의 주요 단계 __5.1.2 주성분 추출 단계 __5.1.3 총분산과 설명된 분산 __5.1.4 특성 변환 __5.1.5 사이킷런의 주성분 분석 5.2 선형 판별 분석을 통한 지도 방식의 데이터 압축 __5.2.1 주성분 분석 vs 선형 판별 분석 __5.2.2 선형 판별 분석의 내부 동작 방식 __5.2.3 산포 행렬 계산 __5.2.4 새로운 특성 부분 공간을 위해 선형 판별 벡터 선택 __5.2.5 새로운 특성 공간으로 샘플 투영 __5.2.6 사이킷런의 LDA 5.3 커널 PCA를 사용하여 비선형 매핑 __5.3.1 커널 함수와 커널 트릭 __5.3.2 파이썬으로 커널 PCA 구현 __5.3.3 새로운 데이터 포인트 투영 __5.3.4 사이킷런의 커널 PCA 5.4 요약 6장 모델 평가와 하이퍼파라미터 튜닝의 모범 사례 6.1 파이프라인을 사용한 효율적인 워크플로 __6.1.1 위스콘신 유방암 데이터셋 __6.1.2 파이프라인으로 변환기와 추정기 연결 6.2 k-겹 교차 검증을 사용한 모델 성능 평가 __6.2.1 홀드아웃 방법 __6.2.2 k-겹 교차 검증 6.3 학습 곡선과 검증 곡선을 사용한 알고리즘 디버깅 __6.3.1 학습 곡선으로 편향과 분산 문제 분석 __6.3.2 검증 곡선으로 과대적합과 과소적합 조사 6.4 그리드 서치를 사용한 머신 러닝 모델 세부 튜닝 __6.4.1 그리드 서치를 사용한 하이퍼파라미터 튜닝 __6.4.2 중첩 교차 검증을 사용한 알고리즘 선택 6.5 여러 가지 성능 평가 지표 __6.5.1 오차 행렬 __6.5.2 분류 모델의 정밀도와 재현율 최적화 __6.5.3 ROC 곡선 그리기 __6.5.4 다중 분류의 성능 지표 6.6 불균형한 클래스 다루기 6.7 요약 7장 다양한 모델을 결합한 앙상블 학습 7.1 앙상블 학습 7.2 다수결 투표를 사용한 분류 앙상블 __7.2.1 간단한 다수결 투표 분류기 구현 __7.2.2 다수결 투표 방식을 사용하여 예측 만들기 __7.2.3 앙상블 분류기의 평가와 튜닝 7.3 배깅: 부트스트랩 샘플링을 통한 분류 앙상블 __7.3.1 배깅 알고리즘의 작동 방식 __7.3.2 배깅으로 Wine 데이터셋의 샘플 분류 7.4 약한 학습기를 이용한 에이다부스트 __7.4.1 부스팅 작동 원리 __7.4.2 사이킷런에서 에이다부스트 사용 7.5 요약 8장 감성 분석에 머신 러닝 적용 8.1 텍스트 처리용 IMDb 영화 리뷰 데이터 준비 __8.1.1 영화 리뷰 데이터셋 구하기 __8.1.2 영화 리뷰 데이터셋을 더 간편한 형태로 전처리 8.2 BoW 모델 소개 __8.2.1 단어를 특성 벡터로 변환 __8.2.2 tf-idf를 사용하여 단어 적합성 평가 __8.2.3 텍스트 데이터 정제 __8.2.4 문서를 토큰으로 나누기 8.3 문서 분류를 위한 로지스틱 회귀 모델 훈련 8.4 대용량 데이터 처리: 온라인 알고리즘과 외부 메모리 학습 8.5 잠재 디리클레 할당을 사용한 토픽 모델링 __8.5.1 LDA를 사용한 텍스트 문서 분해 __8.5.2 사이킷런의 LDA 8.6 요약 9장 웹 애플리케이션에 머신 러닝 모델 내장 9.1 학습된 사이킷런 추정기 저장 9.2 데이터를 저장하기 위해 SQLite 데이터베이스 설정 9.3 플라스크 웹 애플리케이션 개발 __9.3.1 첫 번째 플라스크 애플리케이션 __9.3.2 폼 검증과 화면 출력 9.4 영화 리뷰 분류기를 웹 애플리케이션으로 만들기 __9.4.1 파일과 폴더: 디렉터리 구조 살펴보기 __9.4.2 메인 애플리케이션 app.py 구현 __9.4.3 리뷰 폼 구성 __9.4.4 결과 페이지 템플릿 만들기 9.5 공개 서버에 웹 애플리케이션 배포 __9.5.1 PythonAnywhere 계정 만들기 __9.5.2 영화 분류 애플리케이션 업로드 __9.5.3 영화 분류기 업데이트 9.6 요약 10장 회귀 분석으로 연속적 타깃 변수 예측 10.1 선형 회귀 __10.1.1 단변량 선형 회귀 __10.1.2 다변량 선형 회귀 10.2 주택 데이터셋 탐색 __10.2.1 데이터프레임으로 주택 데이터셋 읽기 __10.2.2 데이터셋의 중요 특징 시각화 __10.2.3 상관관계 행렬을 사용한 분석 10.3 최소 제곱 선형 회귀 모델 구현 __10.3.1 경사 하강법으로 회귀 모델의 파라미터 구하기 __10.3.2 사이킷런으로 회귀 모델의 가중치 추정 10.4 RANSAC을 사용하여 안정된 회귀 모델 훈련 10.5 선형 회귀 모델의 성능 평가 10.6 회귀에 규제 적용 10.7 선형 회귀 모델을 다항 회귀로 변환 __10.7.1 사이킷런을 사용하여 다항식 항 추가 __10.7.2 주택 데이터셋을 사용한 비선형 관계 모델링 10.8 랜덤 포레스트를 사용하여 비선형 관계 다루기 __10.8.1 결정 트리 회귀 __10.8.2 랜덤 포레스트 회귀 10.9 요약 11장 레이블되지 않은 데이터 다루기: 군집 분석 11.1 k-평균 알고리즘을 사용하여 유사한 객체 그룹핑 __11.1.1 사이킷런을 사용한 k-평균 군집 __11.1.2 k-평균 ++로 초기 클러스터 센트로이드를 똑똑하게 할당 __11.1.3 직접 군집 vs 간접 군집 __11.1.4 엘보우 방법을 사용하여 최적의 클러스터 개수 찾기 __11.1.5 실루엣 그래프로 군집 품질을 정량화 11.2 계층적인 트리로 클러스터 조직화 __11.2.1 상향식으로 클러스터 묶기 __11.2.2 거리 행렬에서 계층 군집 수행 __11.2.3 히트맵에 덴드로그램 연결 __11.2.4 사이킷런에서 병합 군집 적용 11.3 DBSCAN을 사용하여 밀집도가 높은 지역 찾기 11.4 요약 12장 다층 인공 신경망을 밑바닥부터 구현 12.1 인공 신경망으로 복잡한 함수 모델링 __12.1.1 단일층 신경망 요약 __12.1.2 다층 신경망 구조 __12.1.3 정방향 계산으로 신경망 활성화 출력 계산 12.2 손글씨 숫자 분류 __12.2.1 MNIST 데이터셋 구하기 __12.2.2 다층 퍼셉트론 구현 12.3 인공 신경망 훈련 __12.3.1 로지스틱 비용 함수 계산 __12.3.2 역전파 알고리즘 이해 __12.3.3 역전파 알고리즘으로 신경망 훈련 12.4 신경망의 수렴 12.5 신경망 구현에 관한 몇 가지 첨언 12.6 요약 13장 텐서플로를 사용하여 신경망 훈련 13.1 고성능 머신 러닝 라이브러리 텐서플로 __13.1.1 텐서플로란? __13.1.2 텐서플로 학습 방법 __13.1.3 텐서플로 시작 __13.1.4 배열 구조 다루기 __13.1.5 텐서플로 저수준 API로 간단한 모델 개발 13.2 tf.keras API로 다층 신경망 훈련 __13.2.1 훈련 데이터 준비 __13.2.2 피드포워드 신경망 구성 __13.2.3 피드포워드 신경망 훈련 13.3 다층 신경망의 활성화 함수 선택 __13.3.1 로지스틱 함수 요약 __13.3.2 소프트맥스 함수를 사용하여 다중 클래스 확률 예측 __13.3.3 하이퍼볼릭 탄젠트로 출력 범위 넓히기 __13.3.4 렐루 활성화 함수 13.4 요약 14장 텐서플로의 구조 자세히 알아보기 14.1 텐서플로의 주요 특징 14.2 텐서플로의 랭크와 텐서 __14.2.1 텐서의 랭크와 크기를 확인하는 방법 14.3 텐서를 다차원 배열로 변환 14.4 텐서플로의 계산 그래프 이해 14.5 텐서플로의 변수 14.6 tf.keras API 자세히 배우기 __14.6.1 Sequential 모델 __14.6.2 함수형 API __14.6.3 tf.keras 모델의 저장과 복원 14.7 계산 그래프 시각화 __14.7.1 텐서보드 익숙하게 다루기 __14.7.2 케라스의 층 그래프 그리기 14.8 요약 15장 심층 합성곱 신경망으로 이미지 분류 15.1 합성곱 신경망의 구성 요소 __15.1.1 CNN과 특성 계층 학습 __15.1.2 이산 합성곱 수행 __15.1.3 서브샘플링 15.2 기본 구성 요소를 사용하여 심층 합성곱 신경망 구성 __15.2.1 여러 개의 입력 또는 컬러 채널 다루기 __15.2.2 드롭아웃으로 신경망 규제 15.3 텐서플로를 사용하여 심층 합성곱 신경망 구현 __15.3.1 다층 CNN 구조 __15.3.2 데이터 적재와 전처리 __15.3.3 텐서플로 tf.keras API로 CNN 구성 __15.3.4 합성곱 신경망 모델 훈련 __15.3.5 활성화 출력과 필터 시각화 15.4 요약 16장 순환 신경망으로 시퀀스 데이터 모델링 16.1 시퀀스 데이터 소개 __16.1.1 시퀀스 데이터 모델링: 순서를 고려한다 __16.1.2 시퀀스 표현 __16.1.3 시퀀스 모델링의 종류 16.2 시퀀스 모델링을 위한 RNN __16.2.1 RNN 구조와 데이터 흐름 이해 __16.2.2 RNN의 활성화 출력 계산 __16.2.3 긴 시퀀스 학습의 어려움 __16.2.4 LSTM 유닛 16.3 텐서플로의 tf.keras API로 시퀀스 모델링을 위한 다층 RNN 구현 16.4 첫 번째 프로젝트: 다층 RNN으로 IMDb 영화 리뷰의 감성 분석 수행 __16.4.1 데이터 준비 __16.4.2 임베딩 __16.4.3 RNN 모델 만들기 __16.4.4 감성 분석 RNN 모델 훈련 __16.4.5 감성 분석 RNN 모델 평가 16.5 두 번째 프로젝트: 텐서플로로 글자 단위 언어 모델 구현 __16.5.1 데이터 전처리 __16.5.2 글자 단위 RNN 모델 만들기 __16.5.3 글자 단위 RNN 모델 훈련 __16.5.4 글자 단위 RNN 모델로 텍스트 생성 16.6 전체 요약 부록 A 윈도에 아나콘다, 사이킷런, 텐서플로 설치 A.1 아나콘다 설치 A.2 사이킷런, 텐서플로 설치 A.3 예제 노트북 실행 A.4 주피터 노트북 뷰어와 구글 코랩 사용

더보기

상세 이미지 상세 이미지 보이기/감추기

상품 이미지를 확대해서 볼 수 있습니다. 원본 이미지

더보기

저자 소개 (3명)

만든이 코멘트 만든이 코멘트 보이기/감추기

안녕하세요. 이책의 역자 입니다.

2019-05-15

안녕하세요. [머신러닝 교과서 with 파이썬, 사이킷런, 텐서플로]를 번역한 박해선입니다. 이 책을 선택해 주신 독자에게 감사의 말씀 드립니다. 이 책은 세바스찬 라시카와 바히드 미라리리의 아마존 베스트셀러 "Python Machine Learning"의 2판을 번역한 것입니다. 지도학습, 비지도학습 분야의 다양한 머신러닝 알고리즘은 물론 심층 신경망(DNN), 합성곱 신경망(CNN), 순환 신경망(RNN)을 다루고 있습니다. 이 책을 보면서 기본 알고리즘들을 넘파이로 직접 구현해 보고 또 사이킷런으로 동일한 모델을 만드는 법을 익힐 수 있습니다. 원서는 텐서플로 1.x을 기반으로 하기 때문에 없어지거나 사용하지 않는 기능들이 많았습니다. 번역서는 텐서플로 2.0 버전을 사용하여 후반 딥러닝 부분의 코드와 내용을 모두 업그레이드했습니다. 인공 신경망과 합성곱, 순환 신경망의 원리를 직접 만들어 보면서 터득할 수 있을 것입니다. 꼼꼼하게 살펴주신 교정자와 많은 수식에 고생하셨을 디자이너에게 감사드립니다. 644 페이지를 모두 컬러 인쇄를 해주신 출판사에게도 감사드립니다. 책을 구매하시면 제 블로그의 에러타 페이지(https://bit.ly/2LWC563)와 깃허브(https://bit.ly/2IQOfLc)를 꼭 참고해 주세요. 항상 사이킷런과 텐서플로 최신 버전에 맞춘 코드와 에러타를 업데이트 하겠습니다. [케라스 창시자에게 배우는 딥러닝], [핸즈온 머신러닝], [파이썬 라이브러리를 활용한 머신러닝], [텐서플로 첫걸음]에 이어 다섯 번째 번역서입니다. 많은 분들의 응원 덕에 큰 힘을 얻습니다. 더 좋은 책으로 찾아 뵙겠습니다. 감사합니다.

책 속으로 책속으로 보이기/감추기

여러분이 뛰어난 문제 해결 전문가로서 머신 러닝 기술자가 되길 원하거나 머신 러닝 연구 분야에서 경험을 쌓길 고려한다면 이 책이 도움이 될 것입니다. 초보자는 머신 러닝의 이론적 배경에 압도될 수 있습니다. 최근에 출간된 활용서들을 보면 고성능 학습 알고리즘을 구현하면서 머신 러닝을 배울 수 있을 것입니다.

실용적인 코드 예제와 머신 러닝 애플리케이션 예제를 다루어 보는 것이 이 분야를 시작하는 좋은 방법입니다. 배운 것을 구체적인 예제로 실제 만들어 보면 광범위한 개념을 이해하는 데 도움이 됩니다. 하지만 좋은 만큼 책임도 뒤따른다는 것을 잊지 마세요! 책에서는 파이썬 프로그래밍 언어와 파이썬 기반의 머신 러닝 라이브러리를 사용하여 머신 러닝을 실습해 볼 수 있습니다. 거기에 더해서 머신 러닝 알고리즘의 수학적 이론을 소개합니다. 성공적으로 머신 러닝을 사용하기 위해 꼭 필요한 부분입니다. 따라서 책은 다른 활용서와는 달리 필수적인 머신 러닝 이론을 설명합니다. 또 머신 러닝 알고리즘의 작동 방식과 사용 방법, 특히 빠지기 쉬운 실수를 피하는 방법을 쉽고 알차게 설명합니다.

머신 러닝에 깊게 들어가기 전에 어쩌면 가장 중요할지 모르는 “왜 파이썬이죠?”라는 질문에 답을 해 보겠습니다. 대답은 간단합니다. 강력하고 사용하기 쉽기 때문입니다. 파이썬은 데이터 과학 분야에서 가장 인기 있는 프로그래밍 언어가 되었습니다. 프로그래밍에 번거로운 부분이 없고 아이디어를 빠르게 구현할 수 있는 환경을 제공하기 때문입니다.

우리들은 진심으로 머신 러닝을 배워 더 나은 과학자가 되었고 통찰력을 길러 어려운 문제를 해결할 수 있었습니다. 책에서 여러분과 이 지식을 나누고 싶습니다. 지식은 배움에서 얻습니다. 중요한 것은 열정입니다. 진정한 고수는 부단한 연습으로 만들어집니다. 앞으로 이따금 난관이 있거나 어떤 주제는 다른 것보다 더 어려울 수 있습니다. 하지만 이 기회를 놓치지 말고 앞으로 이룰 성과에 초점을 맞추길 바랍니다. 우리들이 여행에 함께한다는 것을 기억하세요. 책을 통해서 여러분의 도구 상자에 강력한 기술이 많이 추가될 것입니다. 데이터를 활용하여 어려운 문제를 해결하는 데 이 도구들이 도움이 될 것입니다.

---「지은이의 말」중에서

출판사 리뷰 출판사 리뷰 보이기/감추기

회원리뷰 (1건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?

총 평점 8.0점 8.0 / 10.0

검색결과 정렬 옵션 삭제

회원리뷰 전체보기

한줄평 (3건) 한줄평 이동

한줄평 쓰기

혜택 및 유의사항?

총 평점 6.7점 6.7 / 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