°£Æí°áÁ¦, ½Å¿ëÄ«µå û±¸ÇÒÀÎ
īī¿ÀÆäÀÌ 3,000¿ø
(īī¿ÀÆäÀÌ 5¸¸¿ø ÀÌ»ó °áÁ¦½Ã, 4/1~4/30 ±â°£ Áß 1ȸ)
¿ì¸®Ä«µå 3õ¿ø/7õ¿ø/1¸¸ 5õ¿ø Áï½ÃÇÒÀÎ
3¸¸¿ø/5¸¸¿ø/10¸¸¿ø ÀÌ»ó °áÁ¦½Ã
»ï¼ºÄ«µå 6% (16,920¿ø)
(»ï¼ºÄ«µå 6% û±¸ÇÒÀÎ)
ÀÎÅÍÆÄÅ© ·Ôµ¥Ä«µå 5% (17,100¿ø)
(ÃÖ´ëÇÒÀÎ 10¸¸¿ø / Àü¿ù½ÇÀû 40¸¸¿ø)
ºÏÇǴϾð ·Ôµ¥Ä«µå 30% (12,600¿ø)
(ÃÖ´ëÇÒÀÎ 3¸¸¿ø / 3¸¸¿ø ÀÌ»ó °áÁ¦)
NH¼îÇÎ&ÀÎÅÍÆÄũīµå 20% (14,400¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

µö ·¯´× Á¦´ë·Î ½ÃÀÛÇϱâ

¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

ÆÇ¸ÅÁö¼ö 275
?
ÆÇ¸ÅÁö¼ö¶õ?
»çÀÌÆ®ÀÇ ÆÇ¸Å·®¿¡ ±â¹ÝÇÏ¿© ÆÇ¸Å·® ÃßÀ̸¦ ¹Ý¿µÇÑ ÀÎÅÍÆÄÅ© µµ¼­¿¡¼­ÀÇ µ¶¸³ÀûÀÎ ÆÇ¸Å Áö¼öÀÔ´Ï´Ù. ÇöÀç °¡Àå Àß ÆÈ¸®´Â »óǰ¿¡ °¡ÁßÄ¡¸¦ µÎ¾ú±â ¶§¹®¿¡ ½ÇÁ¦ ´©Àû ÆÇ¸Å·®°ú´Â ´Ù¼Ò Â÷À̰¡ ÀÖÀ» ¼ö ÀÖ½À´Ï´Ù. ÆÇ¸Å·® ¿Ü¿¡µµ ´Ù¾çÇÑ °¡ÁßÄ¡·Î ±¸¼ºµÇ¾î ÃÖ±ÙÀÇ À̽´µµ¼­ È®Àνà À¯¿ëÇÒ ¼ö ÀÖ½À´Ï´Ù. ÇØ´ç Áö¼ö´Â ¸ÅÀÏ °»½ÅµË´Ï´Ù.
Close
°øÀ¯Çϱâ
Á¤°¡

20,000¿ø

  • 18,000¿ø (10%ÇÒÀÎ)

    1,000P (5%Àû¸³)

ÇÒÀÎÇýÅÃ
Àû¸³ÇýÅÃ
  • I-Point Àû¸³Àº Ãâ°í¿Ï·á ÈÄ 14ÀÏ À̳» ¸¶ÀÌÆäÀÌÁö¿¡¼­ Àû¸³¹Þ±âÇÑ °æ¿ì¸¸ Àû¸³µË´Ï´Ù.
Ãß°¡ÇýÅÃ
¹è¼ÛÁ¤º¸
ÁÖ¹®¼ö·®
°¨¼Ò Áõ°¡
  • À̺¥Æ®/±âȹÀü

  • ¿¬°üµµ¼­(25)

  • »çÀºÇ°(4)

Ã¥¼Ò°³

µ¥ÀÌÅÍ °úÇаú ¸Ó½Å ·¯´× Àü¹®°¡¸¦ À§ÇÑ ÄÞÆÑÆ®ÇÑ ÀÔ¹®¼­!

ÀÌ Ã¥Àº ÃÖ±Ù ¸¹Àº °ü½ÉÀ» ¹Þ°í ÀÖ´Â, ¸Ó½Å ·¯´×ÀÇ Á¢±Ù ¹æ¹ý·Ð Áß ÇϳªÀÎ µö ·¯´×À» ±ÇÀ§ ÀÖ´Â ÀúÀÚ°¡ ¾Ë±â ½±°Ô ÇØ¼³ÇÑ Ã¥ÀÌ´Ù. µö ·¯´×ÀÇ ±âÃʺÎÅÍ È®·üÀû °æ»ç Çϰ­¹ý(SGD), ÀÚ±âºÎȣȭ±â(autoencoder), ÇÕ¼º°ö ½Å°æ¸Á(CNN), Àç±Í ½Å°æ¸Á(RNN), Á¦¾à º¼Ã÷¸¸ ¸Ó½Å(RBM)¿¡ À̸£´Â ´Ù¾çÇÑ ±â¹ýÀ» ¸íÄèÇÏ°Ô ¼³¸íÇϰí ÀÖÀ¸¸ç, ÀϺ» °í´Ü»þ ÃâÆÇ»ç¿¡¼­ ±âȹÇÑ ±â°èÇнÀ ÇÁ·ÎÆä¼Å³Î ½Ã¸®Áî(ÃÑ 29Á¾) Áß °¡Àå ÀαⰡ ¸¹Àº Ã¥À̱⵵ ÇÏ´Ù.

ÃâÆÇ»ç ¼­Æò

µ¥ÀÌÅÍ °úÇаú ¸Ó½Å ·¯´× Àü¹®°¡¸¦ À§ÇÑ ÄÞÆÑÆ®ÇÑ ÀÔ¹®¼­!
±âÃʺÎÅÍ °í±Þ À̷бîÁö ü°èÀûÀ¸·Î Á¤¸®ÇÏ¿© ¾Ë±â ½¬¿î µö ·¯´× ±³°ú¼­!
µö ·¯´×ÀÇ µ¿ÀÛ ¿ø¸®¸¦ ÀÌÇØ½ÃŰ´Â ÇÙ½É ¼ö½Ä°ú ±×¸², °£°áÇÑ ÇØ¼³ÀÌ µ¸º¸À̴ å!


ÀÌ Ã¥Àº ÃÖ±Ù ¸¹Àº °ü½ÉÀ» ¹Þ°í ÀÖ´Â, ¸Ó½Å ·¯´×ÀÇ Á¢±Ù ¹æ¹ý·Ð Áß ÇϳªÀÎ µö ·¯´×À» ±ÇÀ§ ÀÖ´Â ÀúÀÚ°¡ ¾Ë±â ½±°Ô ÇØ¼³ÇÑ Ã¥ÀÌ´Ù. µö ·¯´×ÀÇ ±âÃʺÎÅÍ È®·üÀû °æ»ç Çϰ­¹ý(SGD), ÀÚ±âºÎȣȭ±â(autoencoder), ÇÕ¼º°ö ½Å°æ¸Á(CNN), Àç±Í ½Å°æ¸Á(RNN), Á¦¾à º¼Ã÷¸¸ ¸Ó½Å(RBM)¿¡ À̸£´Â ´Ù¾çÇÑ ±â¹ýÀ» ¸íÄèÇÏ°Ô ¼³¸íÇϰí ÀÖÀ¸¸ç, ÀϺ» °í´Ü»þ ÃâÆÇ»ç¿¡¼­ ±âȹÇÑ ±â°èÇнÀ ÇÁ·ÎÆä¼Å³Î ½Ã¸®Áî(ÃÑ 29Á¾) Áß °¡Àå ÀαⰡ ¸¹Àº Ã¥À̱⵵ ÇÏ´Ù.

´ë»ó µ¶ÀÚ
- µ¥ÀÌÅÍ °úÇÐÀ» ¹è¿ì·Á´Â ´ëÇлý/´ëÇпø»ý
- ¸Ó½Å ·¯´× ±â¹ýÀ» ÀÀ¿ëÇÏ·Á´Â ¿¬±¸ÀÚ³ª ¿£Áö´Ï¾î

ÁÖ¿ä ³»¿ë
1Àå- ½Å°æ¸Á ¿¬±¸ÀÇ °£·«ÇÑ ¿ª»ç¿Í ÀÌ Ã¥ÀÇ ±¸¼ºÀ» ´Ù·é´Ù.
2Àå- ¾Õ¸ÔÀÓ ½Å°æ¸ÁÀ» ´Ù·é´Ù. ÀÌ´Â ÀԷ¿¡¼­ Ãâ·Â±îÁö Á¤ÇØÁø ÇÑ ¹æÇâÀ¸·Î¸¸ Á¤º¸°¡ Àü´ÞµÇ´Â ½Å°æ¸ÁÀ¸·Î, °¡Àå ±âº»ÀûÀÌÀÚ ³Î¸® ÀÀ¿ëµÇ´Â ½Å°æ¸ÁÀÌ´Ù.
3Àå- ¾Õ¸ÔÀÓ ½Å°æ¸ÁÀÇ ÇнÀ ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. ƯÈ÷, µö ´º·²³Ý¿¡¼­ ±âº»ÀûÀÎ ÇнÀ ¹æ¹ýÀ¸·Î Ȱ¿ëµÇ´Â È®·üÀû °æ»ç Çϰ­¹ý¿¡ ÃÊÁ¡À» ¸ÂÃß°í ±âÃÊ À̷аú ¹æ¹ýÀ» ¼³¸íÇÑ´Ù.
4Àå- ¿ÀÂ÷ ±â¿ï±â¸¦ ±¸Çϱâ À§ÇÑ ¹æ¹ýÀ¸·Î ¿ªÀüÆÄ¹ýÀ» ¼³¸íÇÑ´Ù.
5Àå- ÀÚ±âºÎȣȭ±â(autoencoder)¸¦ ´Ù·é´Ù. ÀÌ´Â ºñÁöµµ ÇнÀÀ» ÇÏ´Â ½Å°æ¸ÁÀ¸·Î, ÁÖ·Î µ¥ÀÌÅ͸¦ Àß ³ªÅ¸³»´Â ÀÚÁúÀ» ÇнÀÇÏ°í µ¥ÀÌÅÍ¿¡ ´ëÇÑ ÁÁÀº Ç¥ÇöÀ» ¾ò´Â °ÍÀ» ¸ñÀûÀ¸·Î ÇÑ´Ù. ¿­¼è°¡ µÇ´Â Èñ¼Ò ±ÔÁ¦È­³ª µ¥ÀÌÅÍ ¹é»öÈ­¿¡ ´ëÇØ¼­µµ ¼³¸íÇÑ´Ù. ¶Ç, ÀÚ±âºÎȣȭ±â¸¦ ÀÌ¿ëÇÑ µö ´º·²³ÝÀÇ »çÀüÈÆ·Ã ¹æ¹ýµµ ´Ù·ê °ÍÀÌ´Ù.
6Àå- À̹ÌÁö¿¡ ´ëÇÑ ÀÀ¿ë¿¡¼­ »©³õÀ» ¼ö ¾ø´Â ÇÕ¼º°ö ½Å°æ¸ÁÀ» ´Ù·é´Ù. ÇÕ¼º°öÃþ°ú Ç®¸µÃþ µî Ư¼öÇÑ ±¸Á¶¸¦ °®´Â Ãþ¿¡ ´ëÇØ¼­ ÀÚ¼¼È÷ ¼³¸íÇÏ°í ±¸Ã¼ÀûÀÎ ÀÀ¿ë ¿¹¸¦ ¼Ò°³ÇÑ´Ù.
7Àå- Àç±Í ½Å°æ¸ÁÀ» ´Ù·é´Ù. Àç±Í ½Å°æ¸ÁÀ» À§ÇÑ ±âº»ÀûÀÎ ±¸¼º°ú ÇнÀ ¹æ¹ýÀ» ¼³¸íÇϰí, À½¼º ÀνÄ, Çʱâ ÀÎ½Ä µîÀÇ ¼º°øÀûÀ¸·Î ÀÀ¿ëµÇ°í ÀÖ´Â À塤´Ü±â ±â¾ï°ú ÀÔ·Â ¿¬¼Ó¿­°ú ±æÀ̰¡ ´Ù¸¥ ¿¬¼Ó¿­À» ÃßÁ¤ÇÒ ¼ö ÀÖ´Â Ä¿³Ø¼Å´Ï½ºÆ® ½Ã°è¿­ ºÐ¼®¹ý µîÀ» ¼³¸íÇÑ´Ù.
8Àå- º¼Ã÷¸¸ ¸Ó½ÅÀ» ´Ù·é´Ù. ´Ù¸¥ Àå¿¡¼­ ´Ù·é ½Å°æ¸Á°ú ´Þ¸®, À¯´Ö °£¿¡ ¾ç¹æÇ⼺ °áÇÕÀ» °¡Áö¸ç ±× °Åµ¿ÀÌ È®·üÀûÀ¸·Î ±â¼úµÇ´Â °ÍÀÌ Æ¯Â¡ÀÌ´Ù.

¸ñÂ÷

1Àå ½ÃÀÛÇϸç

1.1 ½Å°æ¸Á ¿¬±¸ÀÇ ¿ª»ç
1.1.1 ´ÙÃþ ½Å°æ¸Á¿¡ ´ëÇÑ ±â´ë¿Í ½Ç¸Á
1.1.2 ´ÙÃþ ½Å°æ¸ÁÀÇ »çÀüÈÆ·Ã
1.1.3 ÀÚÁú¿¡ ´ëÇÑ ÇнÀ
1.1.4 µö ·¯´×ÀÇ À¶¼º

1.2 ÀÌ Ã¥ÀÇ ±¸¼º

2Àå ¾Õ¸ÔÀÓ ½Å°æ¸Á
2.1 À¯´ÖÀÇ Ãâ·Â
2.2 Ȱ¼ºÈ­ ÇÔ¼ö
2.3 ´ÙÃþ ½Å°æ¸Á

2.4 Ãâ·ÂÃþÀÇ ¼³°è¿Í ¿ÀÂ÷ÇÔ¼ö
2.4.1 ÇнÀÀÇ ¾ó°³
2.4.2 ȸ±Í
2.4.3 ÀÌÁø ºÐ·ù
2.4.4 ´ÙŬ·¡½º ºÐ·ù

3Àå È®·üÀû °æ»ç Çϰ­¹ý
3.1 °æ»ç Çϰ­¹ý
3.2 È®·üÀû °æ»ç Çϰ­¹ý
3.3 '¹Ì´Ï¹èÄ¡'ÀÇ ÀÌ¿ë
3.4 ÀϹÝÈ­ ¼º´É°ú °úÀûÇÕ

3.5 °úÀûÇÕÀ» ¿ÏÈ­½ÃŰ´Â ¹æ¹ý
3.5.1 ±ÔÁ¦È­
3.5.2 °¡ÁßÄ¡ °¨¼è
3.5.3 µå·Ó¾Æ¿ô

3.6 ÇнÀÀ» À§ÇÑ Æ®¸¯
3.6.1 µ¥ÀÌÅÍ Á¤±ÔÈ­
3.6.2 µ¥ÀÌÅÍ È®Àå
3.6.3 ¿©·¯ ½Å°æ¸ÁÀÇ Æò±Õ
3.6.4 ÇнÀ·üÀÇ °áÁ¤ ¹æ¹ý
3.6.5 ¸ð¸àÅÒ
3.6.6 °¡ÁßÄ¡ÀÇ ÃʱâÈ­
3.6.7 »ùÇÃÀÇ ¼ø¼­

4Àå ¿ªÀüÆÄ¹ý
4.1 ±â¿ï±â °è»êÀÇ ¾î·Á¿ò
4.2 2ÃþÀ¸·Î ±¸¼ºµÈ ½Å°æ¸ÁÀÇ °è»ê
4.3 ´ÙÃþ ½Å°æ¸ÁÀ¸·Î ÀϹÝÈ­

4.4 °æ»ç Çϰ­¹ýÀÇ Àüü ¾Ë°í¸®Áò
4.4.1 Ãâ·ÂÃþÀÇ µ¨Å¸
4.4.2 ¼øÀüÆÄ¿Í ¿ªÀüÆÄÀÇ Çà·Ä °è»ê
4.4.3 ±â¿ï±âÀÇ Â÷ºÐ±Ù»ç °è»ê

4.5 ±â¿ï±â ¼Ò½Ç ¹®Á¦

5Àå ÀÚ±âºÎÈ£Çϱâ
5.1 °³¿ä
5.2 ÀÚ±âºÎȣȭ±âÀÇ ¼³°è
5.2.1 Ãâ·ÂÃþÀÇ È°¼ºÈ­ ÇÔ¼ö¿Í ¿ÀÂ÷ÇÔ¼ö
5.2.2 °¡ÁßÄ¡ °øÀ¯

5.3 ÀÚ±âºÎȣȭ±âÀÇ µ¿ÀÛ
5.3.1 µ¥ÀÌÅ͸¦ ³ªÅ¸³»´Â Ư¡À» ÇнÀ
5.3.2 ÁÖ¼ººÐ ºÐ¼®°úÀÇ °ü°è

5.4 Èñ¼Ò ±ÔÁ¦È­
5.4.1 µ¥ÀÌÅÍÀÇ °ú¿ÏºñÇÑ Ç¥Çö
5.4.2 ÃÖÀûÈ­
5.4.3 Èñ¼Ò ±ÔÁ¦È­ÀÇ È¿°ú

5.5 µ¥ÀÌÅÍÀÇ ¹é»öÈ­
5.6 µö ´º·²³ÝÀÇ »çÀüÈÆ·Ã

5.7 ±× ¿ÜÀÇ ÀÚ±âºÎȣȭ±â
5.7.1 ½ÉÃþ ÀÚ±âºÎȣȭ±â
5.7.2 µð³ëÀÌ¡ ÀÚ±âºÎȣȭ±â

6Àå ÇÕ¼º°ö tlsruda¾Æ
6.1 ´Ü¼ø ¼¼Æ÷¿Í º¹Àâ ¼¼Æ÷
6.2 ÀüüÀûÀÎ ±¸Á¶

6.3 ÇÕ¼º°ö
6.3.1 Á¤ÀÇ
6.3.2 ÇÕ¼º°öÀÇ ÀÛ¿ë
6.3.3 ÆÐµù
6.3.4 ½ºÆ®¶óÀ̵å

6.4 ÇÕ¼º°öÃþ
6.5 Ç®¸µÃþ
6.6 Á¤±ÔÈ­Ãþ
6.6.1 ±¹¼Ò ÄÜÆ®¶ó½ºÆ® Á¤±ÔÈ­
6.6.2 ´ÜÀÏ Ã¤³Î À̹ÌÁöÀÇ Á¤±ÔÈ­
6.6.3 ´Ùä³Î À̹ÌÁöÀÇ Á¤±ÔÈ­

6.7 ±â¿ï±âÀÇ °è»ê
6.8 ½ÇÁ¦ ¿¹- ¹°Ã¼ À¯Çü ÀνÄ

7Àå Àç±Í ½Å°æ¸Á
7.1 ¿¬¼Ó¿­ µ¥ÀÌÅÍÀÇ ºÐ·ù
7.2 RNNÀÇ ±¸Á¶
7.3 ¼øÀüÆÄ °è»ê
7.4 ¿ªÀüÆÄ °è»ê

7.5 À塤´Ü±â±â¾ï
7.5.1 RNNÀÇ ±â¿ï±â ¼Ò½Ç ¹®Á¦
7.5.2 LSTMÀÇ °³¿ä
7.5.3 ¼øÀüÆÄ °è»ê
7.5.4 ¿ªÀüÆÄ °è»ê

7.6 ÀԷ°ú Ãâ·ÂÀÇ ¿¬¼Ó¿­ ±æÀ̰¡ ´Ù¸¥ °æ¿ì
7.6.1 Àº´Ð ¸¶¸£ÄÚÇÁ ¸ðµ¨
7.6.2 Ä¿³Ø¼Å´Ï½ºÆ® ½Ã°è¿­ ºÐ·ù

8Àå º¼Ã÷¸¸ ¸Ó½Å
8.1 µ¥ÀÌÅÍÀÇ »ý¼º ¸ðµ¨
8.2 º¼Ã÷¸¸ ¸Ó½Å
8.2.1 È®·üÀû ±¸Á¶
8.2.2 ÇнÀ

8.3 ±é½º »ùÇøµ

8.4 Àº´Ð º¯¼ö¸¦ °®´Â º¼Ã÷¸¸ ¸Ó½Å
8.4.1 È®·üÀû ±¸Á¶
8.4.2 ÇнÀ

8.5 Á¦¾à º¼Ã÷¸¸ ¸Ó½Å
8.5.1 È®·üÀû ±¸Á¶
8.5.2 Á¶°ÇºÎ ºÐÆ÷
8.5.3 RBM°ú ÀÚ±âºÎȣȭ±â

8.6 RBMÀÇ ÇнÀ
8.6.1 ±é½º »ùÇøµÀ» »ç¿ëÇÑ ±â¿ï±â °è»ê
8.6.2 ´ëÁ¶Àû ¹ß»ê(CD)
8.6.3 CDÀÇ ½ÇÁ¦ Àû¿ë
8.6.4 Áö¼ÓÀû CD

8.7 ±× ¿ÜÀÇ À¯´Ö
8.7.1 °¡¿ì½Ã¾È À¯´Ö
8.7.2 ReLU

8.8 µö ºô¸®ÇÁ ³×Æ®¿öÅ©
8.9 µö º¼Ã÷¸¸ ¸Ó½Å
8.10 ¼º´É ºñ±³

Âü°í¹®Çå
ã¾Æº¸±â

º»¹®Áß¿¡¼­

¾Õ¸ÔÀÓ ½Å°æ¸Á(feedforward neural network)*Àº Ãþ ¸ð¾çÀ¸·Î ´Ã¾î¼± À¯´ÖÀÌ ÀÎÁ¢ÇÑ Ãþ(layer)µé°ú¸¸ °áÇÕÇÏ´Â ±¸Á¶¸¦ °¡Áö¸ç, Á¤º¸°¡ ÀÔ·Â ÃøÀ¸·ÎºÎÅÍ Ãâ·Â ÃøÀ¸·Î ÇÑ ¹æÇâÀ¸·Î¸¸ È帣´Â ½Å°æ¸ÁÀÌ´Ù. ¹®Çå¿¡ µû¶ó¼­´Â ´ÙÃþ ÆÛ¼ÁÆ®·Ð(multi-layer perceptron)À̶ó ºÎ¸£±âµµ ÇÑ´Ù.
(/ p.13)

¾Õ¸ÔÀÓ ½Å°æ¸ÁÀÇ Áöµµ ÇнÀ¹ýÀ» µö ·¯´×¿¡¼­ ƯÈ÷ ÀÚÁÖ ¾²ÀÌ´Â ¹æ¹ýÀÎ È®·üÀû °æ»ç Çϰ­¹ý¿¡ ÃÊÁ¡À» ¸ÂÃß¾î ¼³¸íÇϰڴÙ. ±âº»ÀûÀÎ ¾Ë°í¸®Áò¿¡ ´ëÇÏ¿© ´Ù·ç°í, µö ´º·²³ÝÀ» ÇнÀ½ÃŰ´Â µ¥ °¡Àå Å« °É¸²µ¹ÀÌ µÇ´Â °úÀûÇÕ(overfitting)À» ¼³¸íÇϰí, À̸¦ ¿ÏÈ­½ÃŰ´Â ¹æ¹ýÀ» ¾Ë¾Æº¸ÀÚ. ´õºÒ¾î, ÇнÀÀ» ´õ Àß ÁøÇà½Ãų ¼ö ÀÖµµ·Ï ÇÏ´Â ³ëÇϿ츦 ¸î °¡Áö ¼Ò°³ÇÑ´Ù.
(/ p.29)

ÀÌ ¹®Á¦¸¦ ±â¿ï±â ¼Ò½Ç ¹®Á¦(vanishing gradient problem)¶ó ºÎ¸¥´Ù. 2Ãþ Á¤µµÀÇ ¾èÀº ½Å°æ¸Á¿¡¼­´Â ÀÌ µ¨Å¸ÀÇ ¹ß»êÀ̳ª ¼Ò½ÇÀÌ Å« ¹®Á¦°¡ µÇÁö ¾ÊÁö¸¸, ±×º¸´Ù ¸¹Àº ÃþÀ» °®´Â ½Å°æ¸Á¿¡¼­´Â ½É°¢ÇÑ ¹®Á¦¶ó¼­ ÇнÀÀ» ÁøÇàÇÏ´Â µ¥ °¡Àå Å« Àå¾Ö°¡ µÈ´Ù. 3.6Àý¿¡¼­ ¼³¸íÇÑ Æ®¸¯ Áß ¸î °¡Áö´Â ÀÌ ¹®Á¦¿¡ ¾î´À Á¤µµ À¯È¿ÇÏ°Ô ÀÛ¿ëÇÏÁö¸¸, ÃæºÐÇÑ ÇØ°áÃ¥ÀÌ µÇÁö´Â ¸øÇÑ´Ù.
(/ p.69)

¾Õ¼­ ¸»ÇÑ ¹Ù¿Í °°ÀÌ, CNN¿¡¼­µµ ÀϹÝÀûÀÎ ¾Õ¸ÔÀÓ ½Å°æ¸Á°ú ¸¶Âù°¡Áö·Î °æ»ç Çϰ­¹ý¿¡ ÀÇÇÑ ÆÄ¶ó¹ÌÅÍ ÃÖÀûÈ­¸¦ ¼öÇàÇÑ´Ù. ÇÕ¼º°öÃþÀÇ °¡ÁßÄ¡´Â ÇÊÅÍ ±× ÀÚüÀ̹ǷΠÃÖÀûÈ­ÀÇ ´ë»óÀÌ ÇÊÅÍ(±×¸®°í ¹ÙÀ̾)¶ó´Â À̾߱Ⱑ µÈ´Ù. ¿ªÀüÆÄ¹ý¿¡ ÀÇÇØ ÇÕ¼º°öÃþÀÇ µ¨Å¸¿Í ÇÊÅÍÀÇ ¿ÀÂ÷ ±â¿ï±â°¡ °è»êµÈ´Ù. ÀÌ ºÎºÐ¿¡ °üÇÑ ÀÚ¼¼ÇÑ ³»¿ëÀº 6.7Àý¿¡¼­ ´Ù·ç°Ú´Ù.
(/ p.112)

º¼Ã÷¸¸ ¸Ó½ÅÀº À¯´Ö °£ÀÇ °áÇÕÀÌ ½Ö¹æÇâÀÎ ½Å°æ¸ÁÀÌ´Ù. ½Å°æ¸ÁÀÇ ÇൿÀ» È®·üÀûÀ¸·Î ±â¼úÇÏ´Â °ÍÀÌ °¡Àå Å« Ư¡À¸·Î, ÀϹÝÀûÀ¸·Î µ¥ÀÌÅÍÀÇ »ý¼º ¸ðµ¨·Î ¾²ÀδÙ. º¸ÅëÀÇ °áÁ¤·ÐÀû ½Å°æ¸Á°ú ¸¶Âù°¡Áö·Î ½Å°æ¸ÁÀÇ °¡ÁßÄ¡³ª ¹ÙÀ̾¸¦ ÅëÇÏ¿© °áÁ¤ÇÏÁö¸¸, ±× ¹æ¹ýÀº Å©°Ô ´Ù¸£´Ù. ÇöÀç µö ·¯´×ÀÇ ¼º°øÀº Á¦¾à º¼Ã÷¸¸ ¸Ó½ÅÀ» »ç¿ëÇÑ DBNÀÇ ¿¬±¸°¡ °è±â°¡ µÇ¾ú´Ù.
(/ p.161)

°ü·ÃÀ̹ÌÁö

ÀúÀÚ¼Ò°³

¿ÀīŸ´Ï ŸīÀ¯Å° [Àú] ½ÅÀ۾˸² SMS½Åû ÀÛ°¡DBº¸±â
»ý³â¿ùÀÏ -
Ãâ»ýÁö -
Ãâ°£µµ¼­ 0Á¾
ÆÇ¸Å¼ö 0±Ç

1999³â¿¡ µµÄì´ëÇÐ ´ëÇпø °øÇа迬±¸°ú °è¼ö°øÇÐ Àü°øÀ¸·Î ¹Ú»ç°úÁ¤À» ¼ö·áÇÏ¿´´Ù. ÇöÀç´Â µµÈ£Äí´ëÇÐ ´ëÇпø Á¤º¸°úÇבּ¸°ú ±³¼ö·Î ÀçÁ÷ ÁßÀÌ´Ù.

»ý³â¿ùÀÏ -
Ãâ»ýÁö -
Ãâ°£µµ¼­ 0Á¾
ÆÇ¸Å¼ö 0±Ç

¿¬¼¼´ëÇб³ ¹®ÇåÁ¤º¸Çаú¸¦ Á¹¾÷ÇÏ°í ¸ð±³ Áß¾Óµµ¼­°ü°úÀÇ Àο¬À¸·Î µµ¼­°ü ¼Ö·ç¼Ç ¾÷ü¿¡¼­ ÀÏÇÏ°Ô µÇ¸é¼­ °³¹ßÀ» ½ÃÀÛÇß´Ù. ³×À̹ö¿¡¼­ À¥ ¼­ºñ½º °³¹ß ¾÷¹«¸¦ ¸Ã¾ÒÀ¸¸ç, À¥ ¼­ºñ½º ¿Ü¿¡ ±â°èÇнÀ¿¡ ´ëÇÑ °øºÎµµ ²ÙÁØÈ÷ Çϰí ÀÖ´Ù. ÃÖ±Ù °ü½É»ç´Â ȸ»ç¿¡ ¼ÓÇÏÁö ¾Ê°íµµ Áö¼Ó °¡´ÉÇÑ »îÀÌ´Ù. ¿Å±ä Ã¥À¸·Î ¡ºµö·¯´× Á¦´ë·Î ½ÃÀÛÇϱ⡻, ¡º±×¸²°ú ¼ö½ÄÀ¸·Î ¹è¿ì´Â ÅëÅë µö·¯´×¡» µî 10¿© Á¾ÀÌ ÀÖ´Ù.

¿ªÀÚÀÇ ´Ù¸¥Ã¥

Àüüº¸±â
ÆîÃ帱â

ÀÌ »óǰÀÇ ½Ã¸®Áî

(ÃÑ 26±Ç / ÇöÀ籸¸Å °¡´Éµµ¼­ 26±Ç)

ÆîÃ帱â

ÄÄÇ»ÅÍ/ÀÎÅÍ³Ý ºÐ¾ß¿¡¼­ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥

    ¸®ºä

    0.0 (ÃÑ 0°Ç)

    ±¸¸Å ÈÄ ¸®ºä ÀÛ¼º ½Ã, ºÏÇǴϾð Áö¼ö ÃÖ´ë 600Á¡

    ¸®ºä¾²±â

    ±â´ëÆò

    ÀÛ¼º½Ã À¯ÀÇ»çÇ×

    ÆòÁ¡
    0/200ÀÚ
    µî·ÏÇϱâ

    ±â´ëÆò

    9.8

    ±³È¯/ȯºÒ

    ±³È¯/ȯºÒ ¹æ¹ý

    ¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹Ýǰ/±³È¯/ȯºÒ¡¯ ¿¡¼­ ½ÅûÇÔ, 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¶Ç´Â °í°´¼¾ÅÍ(1577-2555) ÀÌ¿ë °¡´É

    ±³È¯/ȯºÒ °¡´É ±â°£

    °í°´º¯½ÉÀº Ãâ°í¿Ï·á ´ÙÀ½³¯ºÎÅÍ 14ÀÏ ±îÁö¸¸ ±³È¯/ȯºÒÀÌ °¡´ÉÇÔ

    ±³È¯/ȯºÒ ºñ¿ë

    °í°´º¯½É ¶Ç´Â ±¸¸ÅÂø¿ÀÀÇ °æ¿ì¿¡¸¸ 2,500¿ø Åùèºñ¸¦ °í°´´ÔÀÌ ºÎ´ãÇÔ

    ±³È¯/ȯºÒ ºÒ°¡»çÀ¯

    ¹ÝǰÁ¢¼ö ¾øÀÌ ¹Ý¼ÛÇϰųª, ¿ìÆíÀ¸·Î º¸³¾ °æ¿ì »óǰ È®ÀÎÀÌ ¾î·Á¿ö ȯºÒÀÌ ºÒ°¡ÇÒ ¼ö ÀÖÀ½
    ¹è¼ÛµÈ »óǰÀÇ ºÐ½Ç, »óǰÆ÷ÀåÀÌ ÈÑ¼ÕµÈ °æ¿ì, ºñ´Ò·¦ÇÎµÈ »óǰÀÇ ºñ´Ò °³ºÀ½Ã ±³È¯/¹ÝǰÀÌ ºÒ°¡´ÉÇÔ

    ¼ÒºñÀÚ ÇÇÇØº¸»ó

    ¼ÒºñÀÚ ÇÇÇØº¸»óÀÇ ºÐÀïó¸® µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á±âÁØ(°øÁ¤°Å·¡À§¿øÈ¸ °í½Ã)¿¡ µû¶ó ºñÇØ º¸»ó ¹ÞÀ» ¼ö ÀÖÀ½
    ±³È¯/¹Ýǰ/º¸ÁõÁ¶°Ç ¹× ǰÁúº¸Áõ ±âÁØÀº ¼ÒºñÀڱ⺻¹ý¿¡ µû¸¥ ¼ÒºñÀÚ ºÐÀï ÇØ°á ±âÁØ¿¡ µû¶ó ÇÇÇØ¸¦ º¸»ó ¹ÞÀ» ¼ö ÀÖÀ½

    ±âŸ

    µµ¸Å»ó ¹× Á¦ÀÛ»ç »çÁ¤¿¡ µû¶ó ǰÀý/ÀýÆÇ µîÀÇ »çÀ¯·Î ÁÖ¹®ÀÌ Ãë¼ÒµÉ ¼ö ÀÖÀ½(ÀÌ °æ¿ì ÀÎÅÍÆÄÅ©µµ¼­¿¡¼­ °í°´´Ô²² º°µµ·Î ¿¬¶ôÇÏ¿© °íÁöÇÔ)

    ¹è¼Û¾È³»

    • ÀÎÅÍÆÄÅ© µµ¼­ »óǰÀº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óǰÀ» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù

    • Ãâ°í°¡´É ½Ã°£ÀÌ ¼­·Î ´Ù¸¥ »óǰÀ» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óǰÀ» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.

    • ±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÏ¿©, ÀÎÅÍÆÄÅ© ¿Ü Ÿ¾÷ü ¹è¼Û»óǰÀÎ °æ¿ì ¹ß¼ÛµÇÁö ¾ÊÀ» ¼ö ÀÖ½À´Ï´Ù.

    • ¹è¼Ûºñ

    µµ¼­(Áß°íµµ¼­ Æ÷ÇÔ) ±¸¸Å

    2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)

    À½¹Ý/DVD/ÀâÁö/¸¸È­ ±¸¸Å

    2,000¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)

    µµ¼­¿Í À½¹Ý/DVD/ÀâÁö/¸¸È­/
    Áß°íÁ÷¹è¼Û»óǰÀ» ÇÔ²² ±¸¸Å

    2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)

    ¾÷üÁ÷Á¢¹è¼Û»óǰ ±¸¸Å

    ¾÷üº° »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë