±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
Á¤°¡ |
35,000¿ø |
---|
31,500¿ø (10%ÇÒÀÎ)
1,750P (5%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼(1)
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
Ã¥¼Ò°³
ºòµ¥ÀÌÅÍ ºÐ¼®¿¡ °üÇÑ °¡Àå ¿Ïº®ÇÑ ±³Àç!
ÀÌ Ã¥Àº NumPy, pandas, matplotlib, IPython, Jupyter µî ´Ù¾çÇÑ ÆÄÀ̽㠶óÀ̺귯¸®¸¦ »ç¿ëÇؼ È¿°úÀûÀ¸·Î µ¥ÀÌÅ͸¦ ºÐ¼®ÇÏ´Â ¹æ¹ýÀ» ¾Ë·ÁÁØ´Ù. pandasÀÇ »õ·Î¿î ±â´É»Ó¸¸ ¾Æ´Ï¶ó ¸Þ¸ð¸® »ç¿ë·®À» ÁÙÀÌ°í ¼º´ÉÀ» °³¼±ÇÏ´Â °í±Þ »ç¿ë¹ý±îÁö ´Ù·é´Ù. ¶ÇÇÑ ¸ðµ¨¸µ µµ±¸ÀÎ statsmodels¿Í scikit-learn ¶óÀ̺귯¸®µµ ¼Ò°³ÇÑ´Ù. ¿¬´ëº° À̸§ Åë°è ÀÚ·á, ¹Ì ´ë¼± µ¥ÀÌÅͺ£À̽º ÀÚ·á µî ½Ç»ç·Ê·Î µû¶ó ÇÏ´Ù º¸¸é ¾î´Àµ¡ ¿©·¯ºÐµµ µ¥ÀÌÅÍ¿¡ ¾Ë¸Â°Ô Á¢±ÙÇÏ°í È¿°úÀûÀ¸·Î ºÐ¼®ÇÏ´Â Àü¹®°¡°¡ µÉ °ÍÀÌ´Ù.
ÃâÆÇ»ç ¼Æò
¡Ú ¡ºÆÄÀ̽㠶óÀ̺귯¸®¸¦ È°¿ëÇÑ µ¥ÀÌÅÍ ºÐ¼®¡» µåµð¾î °³Á¤!
ÀÌ Ã¥ÀÇ ÃÊÆÇÀÌ Ãâ°£µÈ 2012³âÀº pandas °³¹ß Ãʱâ·Î, ÆÄÀ̽ã¿ë ¿ÀǼҽº µ¥ÀÌÅÍ ºÐ¼® ¶óÀ̺귯¸®°¡ ÈçÇÏÁö ¾Ê¾Ò½À´Ï´Ù. À̹ø¿¡ pandasÀÇ »õ·Î¿î ±â´É°ú 5³â¿©°£ÀÇ ¼¼¿ùÀÌ È帣´Â µ¿¾È ³°¾Ò°Å³ª »ç¿ë¹ýÀÌ ¹Ù²ï ³»¿ëÀ» ¸ðµÎ ¹Ý¿µÇÏ¿© Ã¥ Àü¹ÝÀ» ´Ù½Ã ´Ùµë¾ú½À´Ï´Ù. ¶ÇÇÑ ´ç½Ã¿¡´Â Á¸ÀçÇÏÁö ¾Ê¾Ò°Å³ª Ã¥¿¡ ½Æ±â¿¡´Â ºÒ¾ÈÇß´ø °« ³ª¿Â µµ±¸µéÀ» »õ·Î ¼Ò°³ÇÏ´Â ³»¿ëÀ» Ãß°¡Çß½À´Ï´Ù. 2ÆÇÀÇ ÁÖ¿ä º¯°æ »çÇ×Àº ´ÙÀ½°ú °°½À´Ï´Ù.
¡Ü ¸ðµç Äڵ带 ÆÄÀ̽ã 3.6 ±â¹ÝÀ¸·Î ¼öÁ¤
¡Ü ¾Æ³ªÄÜ´Ù ÆÄÀ̽㠹èÆ÷ÆÇ°ú ¸î¸î Çʼö ÆÄÀ̽ã ÆÐÅ°Áö·Î ¼³Ä¡
¡Ü ÃֽŠpandas ¶óÀ̺귯¸® »ç¿ë
¡Ü pandas °í±Þ »ç¿ë¹ý°ú »ç¿ëÆÁ Ãß°¡
¡Ü statsmodels¿Í scikit-learn ¶óÀ̺귯¸® ¼Ò°³
¡Ú ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ³»¿ë
ÀÌ Ã¥Àº ÆÄÀ̽ãÀ¸·Î µ¥ÀÌÅ͸¦ ´Ù·ç´Â ´Ù¾çÇÏ°í ±âº»ÀûÀÎ ¹æ¹ýÀ» ¼Ò°³ÇÕ´Ï´Ù. ±×·¯±â À§ÇØ ÆÄÀ̽ã ÇÁ·Î±×·¡¹Ö ¾ð¾îÀÇ ÀÏºÎ¿Í µ¥ÀÌÅÍ ºÐ¼® ¹®Á¦¸¦ È¿À²ÀûÀ¸·Î ÇØ°áÇÏ´Â µ¥ µµ¿òÀÌ µÇ´Â ¸î °¡Áö ¶óÀ̺귯¸®¸¦ ´Ù·ì´Ï´Ù. ¡®µ¥ÀÌÅÍ ºÐ¼®¡¯ÀÌ ÀÌ Ã¥ÀÇ Á¦¸ñÀ̱ä ÇÏÁö¸¸ µ¥ÀÌÅÍ ºÐ¼® ¹æ¹ý·ÐÀÌ ¾Æ´Ï¶ó ÆÄÀ̽ã ÇÁ·Î±×·¡¹Ö, ¶óÀ̺귯¸®, µµ±¸¿¡ ÁýÁßÇÕ´Ï´Ù. ÁÖ¿ä ³»¿ëÀº ´ÙÀ½°ú °°½À´Ï´Ù.
¡Ü IPython ¼Ð, ÁÖÇÇÅÍ ³ëÆ®ºÏ »ç¿ëÇϱâ
¡Ü NumPy ±âº» ¹× °í±Þ ±â´É ¾Ë¾Æº¸±â
¡Ü pandas·Î µ¥ÀÌÅÍ ºÐ¼® ÀÔ¹®Çϱâ
¡Ü À¯¿¬ÇÑ µµ±¸¸¦ »ç¿ëÇØ µ¥ÀÌÅÍ ·Îµù, Á¤Á¦, Á¶ÀÎ, º´ÇÕ, º¯ÇüÇϱâ
¡Ü matplotlibÀ¸·Î À¯¿ëÇÑ ½Ã°¢È ¸¸µé±â
¡Ü pandas groupby ±â´ÉÀ» Àû¿ëÇØ µ¥ÀÌÅ͸¦ ³ª´©°í ¿ä¾àÇϱâ
¡Ü ½Ã°è¿ µ¥ÀÌÅÍ ºÐ¼® ¹× Á¶ÀÛÇϱâ
̵̧ȍ
¡°ÀÌ¹Ì Çʵ¶¼°¡ µÈ ÀÌ Ã¥ÀÌ ¾÷±×·¹À̵åµÇ¾ú´Ù. 2ÆÇ¿¡´Â ÆÄÀ̽ã 3.6ºÎÅÍ pandas ÃֽŠ±â´É¿¡ À̸£±â±îÁö ÀÌ Ã¥ÀÇ °¡Ä¡¸¦ ´õ Çâ»ó½Ãų ³»¿ëÀÌ ´ã°å´Ù. ¿Ö ÆÄÀ̽㠶óÀ̺귯¸®ÀÎÁö, ÀÌ µµ±¸µéÀ» ¾î¶»°Ô ´Ù·ï¾ß ÇÏ´ÂÁö ¼³¸íÇØ µ¶ÀÚ°¡ »õ·Ó°í âÀÇÀûÀÎ ¹æ½ÄÀ¸·Î È¿À²ÀûÀÎ »ç¿ë¹ýÀ» ÀÍÈ÷µµ·Ï µµ¿ÍÁØ´Ù.¡±
[(Fernando P?rez)_ IPython â½ÃÀÚ, UC ¹öŬ¸® Åë°èÇаú Á¶±³¼ö]
¸ñÂ÷
CHAPTER 1 ½ÃÀÛÇϱâ Àü¿¡
__1.1 ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ³»¿ë
__1.2 ¿Ö µ¥ÀÌÅÍ ºÐ¼®¿¡ ÆÄÀ̽ãÀ» »ç¿ëÇϳª
__1.3 Çʼö ÆÄÀ̽㠶óÀ̺귯¸®
__1.4 ¼³Ä¡ ¹× ¼³Á¤
__1.5 Ä¿¹Â´ÏƼ¿Í ÄÁÆÛ·±½º
__1.6 ÀÌ Ã¥À» »ìÆ캸´Â ¹æ¹ý
CHAPTER 2 ÆÄÀ̽㠾ð¾îÀÇ ±âº», IPython, ÁÖÇÇÅÍ ³ëÆ®ºÏ
__2.1 ÆÄÀ̽ã ÀÎÅÍÇÁ¸®ÅÍ
__2.2 IPython ±âÃÊ
__2.3 ÆÄÀ̽㠱âÃÊ
CHAPTER 3 ³»Àå ÀڷᱸÁ¶, ÇÔ¼ö, ÆÄÀÏ
__3.1 ÀڷᱸÁ¶¿Í ¼øÂ÷ ÀÚ·áÇü
__3.2 ÇÔ¼ö
__3.3 ÆÄÀÏ°ú ¿î¿µÃ¼Á¦
__3.4 ¸¶Ä¡¸ç
CHAPTER 4 NumPy ±âº»: ¹è¿°ú º¤ÅÍ ¿¬»ê
__4.1 NumPy ndarray: ´ÙÂ÷¿ø ¹è¿ °´Ã¼
__4.2 À¯´Ï¹ö¼³ ÇÔ¼ö: ¹è¿ÀÇ °¢ ¿ø¼Ò¸¦ ºü¸£°Ô ó¸®ÇÏ´Â ÇÔ¼ö
__4.3 ¹è¿À» ÀÌ¿ëÇÑ ¹è¿ÁöÇâ ÇÁ·Î±×·¡¹Ö
__4.4 ¹è¿ µ¥ÀÌÅÍÀÇ ÆÄÀÏ ÀÔÃâ·Â
__4.5 ¼±Çü´ë¼ö
__4.6 ³¼ö »ý¼º
__4.7 °è´Ü ¿À¸£³»¸®±â ¿¹Á¦
__4.8 ¸¶Ä¡¸ç
CHAPTER 5 pandas ½ÃÀÛÇϱâ
__5.1 pandas ÀڷᱸÁ¶ ¼Ò°³
__5.2 ÇÙ½É ±â´É
__5.3 ±â¼ú Åë°è °è»ê°ú ¿ä¾à
__5.4 ¸¶Ä¡¸ç
CHAPTER 6 µ¥ÀÌÅÍ ·Îµù°ú ÀúÀå, ÆÄÀÏ Çü½Ä
__6.1 ÅؽºÆ® ÆÄÀÏ¿¡¼ µ¥ÀÌÅ͸¦ ÀÐ°í ¾²´Â ¹ý
__6.2 ÀÌÁø µ¥ÀÌÅÍ Çü½Ä
__6.3 À¥ API¿Í ÇÔ²² »ç¿ëÇϱâ
__6.4 µ¥ÀÌÅͺ£À̽º¿Í ÇÔ²² »ç¿ëÇϱâ
__6.5 ¸¶Ä¡¸ç
CHAPTER 7 µ¥ÀÌÅÍ Á¤Á¦ ¹× Áغñ
__7.1 ´©¶ôµÈ µ¥ÀÌÅÍ Ã³¸®Çϱâ
__7.2 µ¥ÀÌÅÍ º¯Çü
__7.3 ¹®ÀÚ¿ ´Ù·ç±â
__7.4 ¸¶Ä¡¸ç
CHAPTER 8 µ¥ÀÌÅÍ ÁغñÇϱâ: Á¶ÀÎ, º´ÇÕ, º¯Çü
__8.1 °èÃþÀû »öÀÎ
__8.2 µ¥ÀÌÅÍ ÇÕÄ¡±â
__8.3 ÀçÇü¼º°ú Çǹþ
__8.4 ¸¶Ä¡¸ç
CHAPTER 9 ±×·¡ÇÁ¿Í ½Ã°¢È
__9.1 matplotlib API °£·«ÇÏ°Ô »ìÆ캸±â
__9.2 pandas¿¡¼ seabornÀ¸·Î ±×·¡ÇÁ ±×¸®±â
__9.3 ´Ù¸¥ ÆÄÀ̽㠽ð¢È µµ±¸
__9.4 ¸¶Ä¡¸ç
CHAPTER 10 µ¥ÀÌÅÍ Áý°è¿Í ±×·ì ¿¬»ê
__10.1 GroupBy ¸ÞÄ«´Ð
__10.2 µ¥ÀÌÅÍ Áý°è
__10.3 Apply: ÀϹÝÀûÀÎ ºÐ¸®-Àû¿ë-º´ÇÕ
__10.4 ÇǹþÅ×À̺í°ú ±³Â÷À϶÷Ç¥
__10.5 ¸¶Ä¡¸ç
CHAPTER 11 ½Ã°è¿
__11.1 ³¯Â¥, ½Ã°£ ÀÚ·áÇü, µµ±¸
__11.2 ½Ã°è¿ ±âÃÊ
__11.3 ³¯Â¥ ¹üÀ§, ºóµµ, À̵¿
__11.4 ½Ã°£´ë ´Ù·ç±â
__11.5 ±â°£°ú ±â°£ ¿¬»ê
__11.6 ¸®»ùÇøµ°ú ºóµµ º¯È¯
__11.7 À̵¿Ã¢ ÇÔ¼ö
__11.8 ¸¶Ä¡¸ç
CHAPTER 12 °í±Þ pandas
__12.1 Categorical µ¥ÀÌÅÍ
__12.2 °í±Þ GroupBy »ç¿ë
__12.3 ¸Þ¼µå ¿¬°á ±â¹ý
__12.4 ¸¶Ä¡¸ç
CHAPTER 13 ÆÄÀ̽㠸𵨸µ ¶óÀ̺귯¸®
__13.1 pandas¿Í ¸ðµ¨ ÄÚµåÀÇ ÀÎÅÍÆäÀ̽º
__13.2 Patsy¸¦ ÀÌ¿ëÇؼ ¸ðµ¨ »ý¼ºÇϱâ
__13.3 statsmodels ¼Ò°³
__13.4 scikit-learn ¼Ò°³
__13.5 ´õ °øºÎÇϱâ
CHAPTER 14 µ¥ÀÌÅÍ ºÐ¼® ¿¹Á¦
__14.1 Bit.lyÀÇ 1.USA.gov µ¥ÀÌÅÍ
__14.2 MovieLensÀÇ ¿µÈ ÆòÁ¡ µ¥ÀÌÅÍ
__14.3 ½Å»ý¾Æ À̸§
__14.4 ¹Ì±¹³ó¹«ºÎ ¿µ¾ç¼Ò Á¤º¸
__14.5 2012³â ¿¬¹æ¼±°Å°ü¸®À§¿øȸ µ¥ÀÌÅͺ£À̽º
__14.6 ¸¶Ä¡¸ç
APPENDIX A °í±Þ NumPy
__A.1 ndarray °´Ã¼ ±¸Á¶
__A.2 °í±Þ ¹è¿ Á¶ÀÛ ±â¹ý
__A.3 ºê·Îµåij½ºÆÃ
__A.4 °í±Þ ufunc »ç¿ë¹ý .
__A.5 ±¸Á¶ÈµÈ ¹è¿°ú ·¹ÄÚµå ¹è¿
__A.6 Á¤·Ä¿¡ °üÇÏ¿©
__A.7 umba¸¦ ÀÌ¿ëÇÏ¿© ºü¸¥ NumPy ÇÔ¼ö ÀÛ¼ºÇϱâ
__A.8 °í±Þ ¹è¿ ÀÔÃâ·Â
__A.9 ¼º´É ÆÁ
APPENDIX B IPython ½Ã½ºÅÛ ´õ ¾Ë¾Æº¸±â
__B.1 ¸í·É¾î È÷½ºÅ丮 »ç¿ëÇϱâ
__B.2 ¿î¿µÃ¼Á¦¿Í ÇÔ²² »ç¿ëÇϱâ
__B.3 ¼ÒÇÁÆ®¿þ¾î °³¹ß µµ±¸
__B.4 IPythonÀ» ÀÌ¿ëÇÑ »ý»êÀûÀÎ ÄÚµå °³¹ß¿¡ °üÇÑ ÆÁ
__B.5 IPython °í±Þ ±â´É
__B.6 ¸¶Ä¡¸ç
ÀúÀÚ¼Ò°³
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
»ý³â¿ùÀÏ | - |
---|
ÀúÀÚ ±è¿µ±ÙÀº ¾ÖÇà II¿¡¼ BASICÀ¸·Î ÇÁ·Î±×·¡¹ÖÀ» ½ÃÀÛÇß°í, Àå·¡ Èñ¸ÁÀ» Ç×»ó ÇÁ·Î±×·¡¸Ó¶ó°í ¸»ÇÏ°í ´Ù´Ï´Ù Á¤½Å Â÷¸®°í º¸´Ï ¾î´Àµ¡ 20³â Â÷ Á߳⠰³¹ßÀÚ°¡ µÇ¾ú´Ù. ¸®´ª½º Ä¿¹Â´ÏƼ¿¡¼ ¿À·§µ¿¾È È°µ¿ÇßÀ¸¸ç ÀÓº£µðµåºÎÅÍ ¹Ìµé¿þ¾î, À¥, ½º¸¶Æ®Æù ¾ÖÇø®ÄÉÀ̼ǿ¡ À̸£±â±îÁö ´Ù¾çÇÑ ºÐ¾ß¿¡¼ °³¹ßÇß´Ù. ¾Æ½Ã¾ÆÀÎ ÃÖÃÊ·Î ÆÄÀ̽㠼ÒÇÁÆ®¿þ¾î Àç´Ü ÀÌ»ç·Î È°µ¿ÇßÀ¸¸ç 2014³â ù ¡®PyCon Çѱ¹¡¯À» °³ÃÖÇß´Ù. ÇѺû¹Ìµð¾î¿¡¼ ¡º¸®´ª½º ½Ã½ºÅÛ ÇÁ·Î±×·¡¹Ö(°³Á¤2ÆÇ)¡», ¡º°í¼º´É ÆÄÀ̽㡻À» ¹ø¿ªÇß´Ù.
¿ªÀÚÀÇ ´Ù¸¥Ã¥
Àüüº¸±âÆÄÀ̽㠶óÀ̺귯¸®¸¦ È°¿ëÇÑ µ¥ÀÌÅÍ ºÐ¼®
ÁÖ°£·©Å·
´õº¸±â»óÇ°Á¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
Àü°øµµ¼/´ëÇб³Àç ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
ÆǸÅÀÚÁ¤º¸
»óÈ£ |
(ÁÖ)±³º¸¹®°í |
---|---|
´ëÇ¥ÀÚ¸í |
¾Èº´Çö |
»ç¾÷ÀÚµî·Ï¹øÈ£ |
102-81-11670 |
¿¬¶ôó |
1544-1900 |
ÀüÀÚ¿ìÆíÁÖ¼Ò |
callcenter@kyobobook.co.kr |
Åë½ÅÆǸž÷½Å°í¹øÈ£ |
01-0653 |
¿µ¾÷¼ÒÀçÁö |
¼¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù) |
±³È¯/ȯºÒ
¹ÝÇ°/±³È¯ ¹æ¹ý |
¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼ ½Åû °¡´É |
---|---|
¹ÝÇ°/±³È¯°¡´É ±â°£ |
º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É |
¹ÝÇ°/±³È¯ ºñ¿ë |
º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã |
¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯ |
·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì |
»óÇ° Ç°Àý |
°ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½ |
¼ÒºñÀÚ ÇÇÇغ¸»ó |
·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© ó¸®µÊ ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀǼҺñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ |
(ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
(ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.
¹è¼Û¾È³»
±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç 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 »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.
¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.