°£Æí°áÁ¦, ½Å¿ëÄ«µå û±¸ÇÒÀÎ
ÀÎÅÍÆÄÅ© ·Ôµ¥Ä«µå 5% (32,490¿ø)
(ÃÖ´ëÇÒÀÎ 10¸¸¿ø / Àü¿ù½ÇÀû 40¸¸¿ø)
ºÏÇǴϾð ·Ôµ¥Ä«µå 30% (23,940¿ø)
(ÃÖ´ëÇÒÀÎ 3¸¸¿ø / 3¸¸¿ø ÀÌ»ó °áÁ¦)
NH¼îÇÎ&ÀÎÅÍÆÄÅ©Ä«µå 20% (27,360¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

ÆÄÀ̽㠵¥ÀÌÅÍ »çÀ̾𽺠ÇÚµåºÏ : IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn

¿øÁ¦ : Python Data Science Handbook
¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

ÆǸÅÁö¼ö 15
?
ÆǸÅÁö¼ö¶õ?
»çÀÌÆ®ÀÇ ÆǸŷ®¿¡ ±â¹ÝÇÏ¿© ÆǸŷ® ÃßÀ̸¦ ¹Ý¿µÇÑ ÀÎÅÍÆÄÅ© µµ¼­¿¡¼­ÀÇ µ¶¸³ÀûÀÎ ÆǸŠÁö¼öÀÔ´Ï´Ù. ÇöÀç °¡Àå Àß Æȸ®´Â »óÇ°¿¡ °¡ÁßÄ¡¸¦ µÎ¾ú±â ¶§¹®¿¡ ½ÇÁ¦ ´©Àû ÆǸŷ®°ú´Â ´Ù¼Ò Â÷ÀÌ°¡ ÀÖÀ» ¼ö ÀÖ½À´Ï´Ù. ÆǸŷ® ¿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

¶óÀ̺ê¶óÀ̺귯¸®¸¦ È°¿ëÇÑ µ¥ÀÌÅÍ °úÇаú ¸Ó½Å·¯´×

Á¤°¡

38,000¿ø

  • 34,200¿ø (10%ÇÒÀÎ)

    1,900P (5%Àû¸³)

ÇÒÀÎÇýÅÃ
Àû¸³ÇýÅÃ
  • S-Point Àû¸³Àº ¸¶ÀÌÆäÀÌÁö¿¡¼­ Á÷Á¢ ±¸¸ÅÈ®Á¤ÇϽŠ°æ¿ì¸¸ Àû¸³ µË´Ï´Ù.
Ãß°¡ÇýÅÃ
  • 3/29(±Ý) À̳» ¹ß¼Û ¿¹Á¤  (¼­¿ï½Ã °­³²±¸ »ï¼º·Î 512)
  • ¹«·á¹è¼Û
  • ÁÖ¹®¼ö·®
    °¨¼Ò Áõ°¡
    • À̺¥Æ®/±âȹÀü

    • ¿¬°üµµ¼­(56)

    • »óÇ°±Ç

    AD

    Ã¥¼Ò°³

    ¡ìÆÄÀ̽㠵¥ÀÌÅÍ »çÀ̾𽺠ÇÚµåºÏ¡íÀº µ¥ÀÌÅÍ °úÇп¡ ´ëÇÑ °¥ÁõÀ» ÇؼÒÇϱ⿡ ÁÁÀº ÀÔ¹®¼­´Ù. Ãʺ¸ÀÚºÎÅÍ Àü¹®°¡±îÁö ¾Æ¿ì¸£´Â ³ÐÀº »ç¿ëÀÚÃþÀ» °¡Áø ¸Å·ÂÀûÀÎ ¾ð¾îÀÎ ÆÄÀ̽㠾ð¾î°¡ Á¦°øÇÏ´Â °úÇÐ ½ºÅÃÀ» ÀÌ¿ëÇØ ½ÇÁ¦ µ¥ÀÌÅÍ °úÇÐ ºÐ¾ß¿¡¼­ ÀÚÁÖ ¸¸³ª´Â »óȲÀ» ÇØ°áÇØ ³ª°¨À¸·Î½á À̷кÎÅÍ ½ÇÀü±îÁö ÀûÀýÇÏ°Ô ¾Æ¿ì¸£°í ÀÖ´Ù.

    ÀÌ Ã¥¿¡¼­´Â °°Àº µ¥ÀÌÅÍ Å¸ÀÔÀ» °¡Áø ¹è¿­ ±â¹ÝÀÇ µ¥ÀÌÅ͸¦ ó¸®Çϱâ À§ÇÑ NumPy, ¿©·¯ °¡Áö µ¥ÀÌÅÍ Å¸ÀÔÀÇ ·¹À̺íÀÌ ºÙÀº µ¥ÀÌÅ͸¦ ó¸®ÇÏ´Â Pandas, º¸ÆíÀûÀÎ °úÇÐ °è»ê ÀÛ¾÷À» À§ÇÑ SciPy, °ÔÀç °¡´ÉÇÑ ¼öÁØÀÇ ½Ã°¢È­¸¦ À§ÇÑ MatPlotlib, ´ëÈ­Çü ÄÚµå ½ÇÇà°ú °øÀ¯¸¦ À§ÇÑ IPython, ¸Ó½Å·¯´×À» À§ÇÑ Scikit-Learn ¶óÀ̺귯¸®¸¦ ÁýÁßÀûÀ¸·Î ´Ù·ç¸ç, ƯÈ÷ 5Àå¿¡¼­´Â ¸Ó½Å·¯´× Àüü¸¦ Á¶¸ÁÇÏ°í °¢ ±â¹ýÀ» ¾î¶»°Ô ÀÀ¿ëÇÒ ¼ö ÀÖ´ÂÁö »ìÆ캼 ¼ö ÀÖ¾î ½ÇÀü °¨°¢À» ÀÍÈ÷±â¿¡ ºÎÁ·ÇÔÀÌ ¾øµµ·Ï ±¸¼ºÇÏ°í ÀÖ´Ù.

    ÃâÆÇ»ç ¼­Æò

    ¸¹Àº ¿¬±¸¿ø¿¡°Ô ÆÄÀ̽ãÀº µ¥ÀÌÅ͸¦ ÀúÀå, °¡°øÇÏ°í µ¥ÀÌÅÍ¿¡¼­ ÅëÂû·ÂÀ» ¾òÀ» ¼ö ÀÖ´Â ¶óÀ̺귯¸® ´öºÐ¿¡ µ¥ÀÌÅ͸¦ ´Ù·ç±â¿¡ ÃÖ°íÀÇ µµ±¸·Î ¿©°ÜÁø´Ù. ¿©·¯ Âü°í ÀÚ·á¿¡¼­ ÆÄÀ̽㠶óÀ̺귯¸®¸¦ ¼Ò°³ÇÏÁö¸¸, ´ëºÎºÐÀº °¢ ¶óÀ̺귯¸®¸¦ °³º°ÀûÀ¸·Î ´Ù·é´Ù. ÇÏÁö¸¸ ¡ìÆÄÀ̽㠵¥ÀÌÅÍ »çÀ̾𽺠ÇÚµåºÏ¡íÀº IPython, NumPy, Pandas, Matplotlib, Scikit-LearnÀ» ºñ·ÔÇÑ °ü·Ã µµ±¸¸¦ ¸ðµÎ ´Ù·é´Ù.

    ÆÄÀ̽ã Äڵ带 Àаí ÀÛ¼ºÇÏ´Â µ¥ Àͼ÷ÇÑ °úÇÐÀÚ³ª µ¥ÀÌÅÍ ºÐ¼®°¡¶ó¸é ÀÌ Ã¥ÀÌ µ¥ÀÌÅÍÀÇ °¡°ø, º¯È¯, Á¤Á¦¿Í ´Ù¸¥ À¯ÇüÀÇ µ¥ÀÌÅÍ ½Ã°¢È­, Åë°è ¸ðµ¨À̳ª ¸Ó½Å·¯´× ¸ðµ¨ ±¸ÃàÀ» À§ÇÑ µ¥ÀÌÅÍ È°¿ë ¸é¿¡¼­ ÈçÈ÷ ¹ß»ýÇÏ´Â ¹®Á¦¸¦ ÇØ°áÇϱ⿡ °¡Àå ÀÌ»óÀûÀÎ Á¾ÇÕ Âü°í¼­°¡ µÉ °ÍÀÌ´Ù. °£´ÜÈ÷ ¸»ÇØ, ÀÌ Ã¥Àº ÆÄÀ̽ãÀ¸·Î °úÇÐ ÄÄÇ»ÆÃÀ» Çϱâ À§Çؼ­ ¹Ýµå½Ã ¼ÒÀåÇØ¾ß ÇÒ Ã¥ÀÌ´Ù.

    ÀÌ ÇÚµåºÏÀ» ÅëÇØ ´ÙÀ½ µµ±¸ÀÇ »ç¿ë¹ýÀ» ÇнÀÇÒ ¼ö ÀÖ´Ù.

    ¡Ý IPython°ú Jupyter: ÆÄÀ̽ãÀ» ÀÌ¿ëÇÏ´Â µ¥ÀÌÅÍ °úÇÐÀÚ¸¦ À§ÇÑ ÄÄÇ»Æà ȯ°æ Á¦°ø
    ¡Ý NumPy: ÆÄÀ̽ãÀÇ º¹ÀâÇÑ µ¥ÀÌÅÍ ¹è¿­À» È¿À²ÀûÀ¸·Î ÀúÀåÇÏ°í °¡°øÇÒ ¼ö ÀÖ´Â ndarray(n Â÷¿ø ¹è¿­ °´Ã¼) Á¦°ø
    ¡Ý Pandas: ÆÄÀ̽㿡¼­ ·¹À̺íÀÌ ºÙ°Å³ª Ä®·³ Çü½ÄÀÇ µ¥ÀÌÅ͸¦ È¿À²ÀûÀ¸·Î ÀúÀåÇÏ°í °¡°øÇϱâ À§ÇÑ DataFrame ÀڷᱸÁ¶ Á¦°ø
    ¡Ý Matplotlib: ÆÄÀ̽ãÀ» ÀÌ¿ëÇÑ À¯¿¬ÇÑ µ¥ÀÌÅÍ ½Ã°¢È­ ±â´É Á¦°ø
    ¡Ý Scikit-Learn: ±âÁ¸ ¸Ó½Å·¯´× ¾Ë°í¸®Áò Áß °¡Àå Áß¿äÇÑ °ÍÀ» ÆÄÀ̽ãÀ¸·Î È¿À²ÀûÀÌ°í ±ò²ûÇÏ°Ô ±¸ÇöÇÑ ¶óÀ̺귯¸®

    ̵̧ȍ

    ¡°ÆÄÀ̽ãÀ¸·Î µ¥ÀÌÅÍ °úÇÐÀ» ¹è¿ì°íÀÚ ÇÏ´Â µ¶ÀÚ¿¡°Ô ÀÌ Ã¥Àº ȯ»óÀûÀÎ Ãâ¹ßÁ¡ÀÌ µÉ °ÍÀÌ´Ù. ÀÌ Ã¥À¸·Î ÄÄÇ»ÅÍ °úÇÐ ¹× Åë°èÇÐ Àü°øÀÚµéÀ» ¼º°øÀûÀ¸·Î °¡¸£ÃÆ´Ù. ÀúÀÚ´Â ¿ÀǼҽº µµ±¸ÀÇ ±âº»À» ÈξÀ ³Ñ¾î¼­´Â ³»¿ëÀ» ¸íÈ®ÇÑ ¾ð¾î¿Í ÀÌÇØÇϱ⠽¬¿î ¼³¸íÀ¸·Î µ¥ÀÌÅÍ °úÇÐÀÇ ±âº» °³³ä°ú ÆÐÅÏ, »ç»óÀ» ¼³¸íÇÏ°í ÀÖ´Ù.¡± (Ķ¸®Æ÷´Ï¾Æ Æú¸®Å×Å©´Ð ÁÖ¸³ ´ëÇб³ ¹°¸®ÇкΠ±³¼öÀÌÀÚ ÁÖÇÇÅÍ ÇÁ·ÎÁ§Æ® °øµ¿ ¼³¸³ÀÚ)

    ¸ñÂ÷

    ¢Ã 01Àå: IPython - ÆÄÀ̽㿡 ³¯°³¸¦ ´ÞÀÚ

    ¼Ð°ú ³ëÆ®ºÏ, ¾î´À °ÍÀ» »ç¿ëÇÒ±î?
    ___IPython ¼Ð ½ÇÇàÇϱâ
    ___Jupyter ³ëÆ®ºÏ ½ÇÇàÇϱâ
    IPythonÀÇ µµ¿ò¸»°ú ¹®¼­
    ___?·Î ¹®¼­ È®ÀÎÇϱâ
    ___??·Î ¼Ò½ºÄڵ忡 Á¢±ÙÇϱâ
    ___ÅÇ ÀÚµ¿ ¿Ï¼ºÀ¸·Î ¸ðµâ Ž»öÇϱâ
    IPython ¼Ð¿¡¼­ »ç¿ëÇÒ ¼ö ÀÖ´Â Å°º¸µå ´ÜÃàÅ°
    ___Ž»ö ´ÜÃàÅ°
    ___ÅؽºÆ® ÀÔ·Â ´ÜÃàÅ°
    ___¸í·É¾î ÀÌ·Â ´ÜÃàÅ°
    ___±âŸ ´ÜÃàÅ°
    IPython ¸ÅÁ÷ ¸í·É¾î
    ___ÄÚµå ºí·Ï ºÙ¿©³Ö±â: %paste¿Í %cpaste
    ___¿ÜºÎ ÄÚµå ½ÇÇà: %run
    ___ÄÚµå ½ÇÇà ½Ã°£ ÃøÁ¤: %timeit
    ___¸ÅÁ÷ ÇÔ¼ö¿¡ °üÇÑ µµ¿ò¸»: ?, %magic, %lsmagic
    ÀÔ·Â/Ãâ·Â ÀÌ·Â
    ___IPythonÀÇ In°ú Out °´Ã¼
    ___¹ØÁ٠ǥ½Ã ´ÜÃàÅ°¿Í ÀÌÀü Ãâ·Â°ª
    ___Ãâ·Â°ª ¼û±â±â
    ___°ü·Ã ¸ÅÁ÷ ¸í·É¾î
    IPython°ú ¼Ð ¸í·É¾î
    ___¼ÐÀ̶õ?
    ___IPython¿¡¼­ÀÇ ¼Ð ¸í·É¾î
    ___¼Ð¿¡ °ª Àü´ÞÇÏ±â ¹× ¼ÐÀÇ °ª Àü´Þ¹Þ±â
    ¼Ð °ü·Ã ¸ÅÁ÷ ¸í·É¾î
    ¿¡·¯¿Í µð¹ö±ë
    ___¿¹¿Ü Á¦¾î: %xmode
    ___µð¹ö±ë: ¿ªÃßÀû ³»¿ëÀ» È®ÀÎÇÏ´Â °ÍÀ¸·Î ÃæºÐÇÏÁö ¾ÊÀ» °æ¿ì
    ÄÚµå ÇÁ·ÎÆÄÀϸµ ¹× ½Ã°£ ÃøÁ¤
    ___ÄÚµå Á¶°¢ÀÇ ½ÇÇà ½Ã°£ ÃøÁ¤Çϱâ: %timeit°ú %time
    ___Àüü ½ºÅ©¸³Æ® ÇÁ·ÎÆÄÀϸµÇϱâ: %prun
    ___%lprunÀ¸·Î ¶óÀÎ ´ÜÀ§ ÇÁ·ÎÆÄÀϸµÇϱâ
    ¸Þ¸ð¸® »ç¿ë ÇÁ·ÎÆÄÀϸµ: %memit°ú %mprun
    IPython Ãß°¡ Âü°í ÀÚ·á
    ___À¥ ÀÚ·á
    ___Ã¥

    ¢Ã 02Àå: NumPy ¼Ò°³

    ÆÄÀ̽ãÀÇ µ¥ÀÌÅÍ Å¸ÀÔ ÀÌÇØÇϱâ
    ___ÆÄÀ̽ã Á¤¼ö´Â Á¤¼ö ÀÌ»óÀÌ´Ù
    ___ÆÄÀ̽㠸®½ºÆ®´Â ¸®½ºÆ® ÀÌ»óÀÌ´Ù
    ___ÆÄÀ̽ãÀÇ °íÁ¤ ŸÀÔ ¹è¿­
    ___ÆÄÀ̽㠸®½ºÆ®¿¡¼­ ¹è¿­ ¸¸µé±â
    ___óÀ½ºÎÅÍ ¹è¿­ ¸¸µé±â
    ___NumPy Ç¥ÁØ µ¥ÀÌÅÍ Å¸ÀÔ
    NumPy ¹è¿­ÀÇ ±âÃÊ
    ___NumPy ¹è¿­ ¼Ó¼º ÁöÁ¤
    ___¹è¿­ À妽Ì: ´ÜÀÏ ¿ä¼Ò¿¡ Á¢±ÙÇϱâ
    ___¹è¿­ ½½¶óÀ̽Ì: ÇÏÀ§ ¹è¿­¿¡ Á¢±ÙÇϱâ
    ___¹è¿­ À籸Á¶È­
    ___¹è¿­ ¿¬°á ¹× ºÐÇÒ
    NumPy ¹è¿­ ¿¬»ê: À¯´Ï¹ö¼³ ÇÔ¼ö
    ___·çÇÁ´Â ´À¸®´Ù
    ___UFuncs ¼Ò°³
    ___NumPy À¯´Ï¹ö¼³ ÇÔ¼ö(UFuncs)
    ___°í±Þ Ufunc ±â´É
    ___Ufuncs: ´õ ¾Ë¾Æº¸±â
    Áý°è: ÃÖ¼Ú°ª, ÃÖ´ñ°ª, ±×¸®°í ±×»çÀÌÀÇ ¸ðµç °Í
    ___¹è¿­ÀÇ °ªÀÇ ÇÕ ±¸Çϱâ
    ___ÃÖ¼Ú°ª°ú ÃÖ´ñ°ª
    ___¿¹Á¦: ¹Ì±¹ ´ëÅë·ÉÀÇ Æò±Õ ½ÅÀåÀº ¾ó¸¶Àϱî?
    ¹è¿­ ¿¬»ê: ºê·Îµåij½ºÆÃ
    ___ºê·Îµåij½ºÆà ¼Ò°³
    ___ºê·Îµåij½ºÆà ±ÔÄ¢
    ___½ÇÀü ºê·Îµåij½ºÆÃ
    ºñ±³, ¸¶½ºÅ©, ºÎ¿ï ·ÎÁ÷
    ___¿¹Á¦: ºñ¿Â ³¯ ¼¼±â
    ___ufuncÀ¸·Î¼­ÀÇ ºñ±³ ¿¬»êÀÚ
    ___ºÎ¿ï ¹è¿­·Î ÀÛ¾÷Çϱâ
    ___¸¶½ºÅ©·Î¼­ÀÇ ºÎ¿ï ¹è¿­
    Æҽà À妽Ì
    ___Æҽà Àε¦½Ì ¾Ë¾Æº¸±â
    ___°áÇÕ À妽Ì
    ___¿¹Á¦: ÀÓÀÇÀÇ Á¡ ¼±ÅÃÇϱâ
    ___Æҽà À妽ÌÀ¸·Î °ª º¯°æÇϱâ
    ___¿¹Á¦: µ¥ÀÌÅÍ ±¸°£È­
    ___¹è¿­ Á¤·Ä
    ___NumPyÀÇ ºü¸¥ Á¤·Ä: np.sort¿Í np.argsort
    ___ºÎºÐ Á¤·Ä: ÆÄƼ¼Ç ³ª´©±â
    ___¿¹Á¦: k ÃÖ±ÙÁ¢ ÀÌ¿ô ¾Ë°í¸®Áò
    ±¸Á¶È­µÈ µ¥ÀÌÅÍ: NumPyÀÇ ±¸Á¶È­µÈ ¹è¿­
    ___±¸Á¶È­µÈ ¹è¿­ ¸¸µé±â
    ___°í±Þ º¹ÇÕ Å¸ÀÔ
    ___·¹ÄÚµå ¹è¿­: Æ®À§½ºÆ®¸¦ °¡Áø ±¸Á¶È­µÈ ¹è¿­
    ___Pandas·Î ³Ñ¾î°¡¸ç

    ¢Ã 03Àå: Pandas·Î µ¥ÀÌÅÍ °¡°øÇϱâ

    Pandas ¼³Ä¡ ¹× »ç¿ë
    Pandas °´Ã¼ ¼Ò°³
    ___Pandas Series °´Ã¼
    ___Pandas DataFrame °´Ã¼
    ___Pandas Index °´Ã¼
    µ¥ÀÌÅÍ Àε¦½Ì°ú ¼±ÅÃ
    ___Series¿¡¼­ µ¥ÀÌÅÍ ¼±ÅÃ
    ___DataFrame¿¡¼­ µ¥ÀÌÅÍ ¼±ÅÃ
    ___Pandas¿¡¼­ µ¥ÀÌÅÍ ¿¬»êÇϱâ
    ___À¯´Ï¹ö¼³ ÇÔ¼ö: À妽º º¸Á¸
    ___À¯´Ï¹ö¼³ ÇÔ¼ö: À妽º Á¤·Ä
    ___À¯´Ï¹ö¼³ ÇÔ¼ö: DataFrame°ú Series °£ÀÇ ¿¬»ê
    ´©¶ôµÈ µ¥ÀÌÅÍ Ã³¸®Çϱâ
    ___´©¶ôµÈ µ¥ÀÌÅÍ Ã³¸® ¹æ½ÄÀÇ Æ®·¹À̵å¿ÀÇÁ
    ___Pandas¿¡¼­ ´©¶ôµÈ µ¥ÀÌÅÍ
    ___³Î °ª ¿¬»êÇϱâ
    °èÃþÀû À妽Ì
    ___´ÙÁß À妽ºµÈ Series
    ___MultiIndex »ý¼º ¸Þ¼­µå
    ___MultiIndex Àε¦½Ì ¹× ½½¶óÀ̽Ì
    ___´ÙÁß À妽º ÀçÁ¤·ÄÇϱâ
    ___´ÙÁß À妽º¿¡¼­ µ¥ÀÌÅÍ Áý°è
    µ¥ÀÌÅͼ¼Æ® °áÇÕ: Concat°ú Append
    ___º¹½À: NumPy ¹è¿­ ¿¬°á
    ___pd.concatÀ» ÀÌ¿ëÇÑ °£´ÜÇÑ ¿¬°á
    µ¥ÀÌÅͼ¼Æ® °áÇÕÇϱâ: º´ÇÕ°ú Á¶ÀÎ
    ___°ü°è ´ë¼ö
    ___Á¶ÀÎ ÀÛ¾÷ÀÇ ºÐ·ù
    ___º´ÇÕ Å° ÁöÁ¤
    ___Á¶ÀÎÀ» À§ÇÑ ÁýÇÕ ¿¬»ê ÁöÁ¤Çϱâ
    ___¿­ À̸§ÀÌ °ãÄ¡´Â °æ¿ì: suffixes Å°¿öµå
    ___¿¹Á¦: ¹Ì±¹ ÁÖ µ¥ÀÌÅÍ
    Áý°è¿Í ºÐ·ù
    ___Ç༺ µ¥ÀÌÅÍ
    ___PandasÀÇ °£´ÜÇÑ Áý°è ¿¬»ê
    ___GroupBy: ºÐÇÒ, Àû¿ë, °áÇÕ
    Çǹþ Å×À̺í
    ___Çǹþ Å×ÀÌºí ½ÃÀÛ
    ___Çǹþ Å×ÀÌºí µîÀå ¹è°æ
    ___Çǹþ Å×ÀÌºí ±¸¹®
    ___¿¹Á¦: Ãâ»ý·ü µ¥ÀÌÅÍ
    º¤ÅÍÈ­µÈ ¹®ÀÚ¿­ ¿¬»ê
    ___Pandas ¹®ÀÚ¿­ ¿¬»ê ¼Ò°³
    ___Pandas ¹®ÀÚ¿­ ¸Þ¼­µå ¸ñ·Ï
    ___¿¹Á¦: Á¶¸®¹ý µ¥ÀÌÅͺ£À̽º
    ½Ã°è¿­ ´Ù·ç±â
    ___ÆÄÀ̽㿡¼­ÀÇ ³¯Â¥¿Í ½Ã°£
    Pandas ½Ã°è¿­: ½Ã°£À¸·Î À妽ÌÇϱâ
    ___Pandas ½Ã°è¿­ µ¥ÀÌÅÍ ±¸Á¶
    ___ÁÖ±â¿Í ¿ÀÇÁ¼Â
    ___¸®»ùÇøµ, ½ÃÇÁÆÃ, À©µµÀ×
    ___Ãß°¡ ÇнÀ ÀÚ·á
    ___¿¹Á¦: ½Ã¾ÖƲ ÀÚÀü°Å ¼ö ½Ã°¢È­
    °í¼º´É Pandas: eval()°ú query()
    ___query()¿Í eval()ÀÇ µîÀå ¹è°æ: º¹ÇÕ Ç¥Çö½Ä
    ___È¿À²ÀûÀÎ ¿¬»êÀ» À§ÇÑ pandas.eval()
    ___¿­ ´ÜÀ§ÀÇ ¿¬»êÀ» À§ÇÑ DataFrame.eval()
    ___DataFrame.query() ¸Þ¼­µå
    ___¼º´É: ÀÌ ÇÔ¼ö¸¦ »ç¿ëÇØ¾ß ÇÏ´Â °æ¿ì
    Ãß°¡ ÀÚ·á

    ¢Ã 04Àå: MatplotlibÀ» È°¿ëÇÑ ½Ã°¢È­

    ÀϹÝÀûÀÎ Matplotlib »ç¿ë¹ý
    ___matplotlib ÀÓÆ÷Æ®Çϱâ
    ___½ºÅ¸ÀÏ ¼³Á¤Çϱâ
    ___show()¸¦ »ç¿ëÇÒ °ÍÀΰ¡, ¸» °ÍÀΰ¡ - ÇÃ·Ô Ç¥Çö ¹æ¹ý
    ___±×¸²À» ÆÄÀÏ·Î ÀúÀåÇϱâ
    Çϳª °¡°Ý¿¡ ÀÎÅÍÆäÀ̽º µÎ °³
    °£´ÜÇÑ ¶óÀÎ Ç÷Ô
    ___ÇÃ·Ô ¼öÁ¤Çϱâ: ¼± »ö»ó°ú ½ºÅ¸ÀÏ
    ___ÇÃ·Ô Á¶Á¤Çϱâ: Ãà °æ°è
    ___Ç÷Կ¡ ·¹ÀÌºí ºÙÀ̱â
    °£´ÜÇÑ »êÁ¡µµ
    ___plt.plotÀ» »ç¿ëÇÑ »êÁ¡µµ
    ___plt.scatter¸¦ È°¿ëÇÑ »êÁ¡µµ
    ___plot°ú scatterÀÇ Â÷ÀÌ: È¿À²¼º Ãø¸é¿¡¼­ À¯ÀÇÇÒ Á¡
    ¿ÀÂ÷ ½Ã°¢È­Çϱâ
    ___±âº» ¿ÀÂ÷ ¸·´ë
    ___¿¬¼Ó ¿ÀÂ÷
    ¹Ðµµ Ç÷԰ú µî°í¼± Ç÷Ô
    ___3Â÷¿ø ÇÔ¼ö ½Ã°¢È­Çϱâ
    È÷½ºÅä±×·¥, ±¸°£È­, ¹Ðµµ
    ___2Â÷¿ø È÷½ºÅä±×·¥°ú ±¸°£È­
    ÇÃ·Ô ¹ü·Ê ¸ÂÃã º¯°æÇϱâ
    ___¹ü·Ê¿¡ »ç¿ëÇÒ ¿ä¼Ò ¼±ÅÃÇϱâ
    ___Á¡ Å©±â¿¡ ´ëÇÑ ¹ü·Ê
    ___´ÙÁß ¹ü·Ê
    ___»ö»ó ¸·´ë ¸ÂÃã º¯°æÇϱâ
    ___»ö»ó ¸·´ë ¸ÂÃã º¯°æÇϱâ
    ___¿¹Á¦: ¼ÕÀ¸·Î ¾´ ¼ýÀÚ
    ´ÙÁß ¼­ºêÇ÷Ô
    ___plt.axes: Á÷Á¢ ¸¸µç ¼­ºêÇ÷Ô
    ___plt.subplot: °£´ÜÇÑ ¼­ºêÇ÷ÔÀÇ ±×¸®µå
    ___plt.subplots: ÇÑ ¹ø¿¡ Àüü ±×¸®µå ¸¸µé±â
    ___plt.GridSpec: º¹ÀâÇÑ ¹èÄ¡
    ÅؽºÆ®¿Í ÁÖ¼®
    ___¿¹Á¦: ¹Ì±¹ Ãâ»ý·ü¿¡ ÈÞÀÏÀÌ ¹ÌÄ¡´Â ¿µÇâ
    ___º¯È¯ ¹× ÅؽºÆ® À§Ä¡
    ___È­»ìÇ¥¿Í ÁÖ¼®
    ´«±Ý ¸ÂÃã º¯°æÇϱâ
    ___ÁÖ ´«±Ý°ú º¸Á¶ ´«±Ý
    ___´«±Ý ¶Ç´Â ·¹ÀÌºí ¼û±â±â
    ___´«±Ý °³¼ö ÁÙÀ̱â¿Í ´Ã¸®±â
    ___Æҽà ´«±Ý Æ÷¸Ë
    Æ÷¸Ë Áö½ÃÀÚ¿Í À§Ä¡ Áö½ÃÀÚ ¿ä¾à
    Matplotlib ¸ÂÃ㺯°æÇϱâ: ¼³Á¤°ú ½ºÅ¸ÀϽÃÆ®
    ___Á÷Á¢ ÇÃ·Ô º¯°æÇϱâ
    ___±âº»°ª º¯°æÇϱâ: rcParams
    ___½ºÅ¸ÀϽÃÆ®
    Matplotlib¿¡¼­ 3Â÷¿ø Ç÷ÎÆÃÇϱâ
    3Â÷¿ø Á¡°ú ¼±
    ___3Â÷¿ø µî°í¼± Ç÷Ô
    ___¿ÍÀ̾îÇÁ·¹ÀÓ°ú Ç¥¸éµµ
    ___Ç¥¸é »ï°¢Ãø·®¹ý
    BasemapÀ» È°¿ëÇÑ Áö¸® µ¥ÀÌÅÍ
    ___Áöµµ Åõ¿µ¹ý(Map Projections)
    ___Áöµµ ¹è°æ ±×¸®±â
    ___Áöµµ»ó¿¡ µ¥ÀÌÅÍ Ç÷ÎÆÃÇϱâ
    ___¿¹Á¦: Ķ¸®Æ÷´Ï¾Æ µµ½Ã
    ___¿¹Á¦: Ç¥¸é ¿Âµµ µ¥ÀÌÅÍ
    SeabornÀ» È°¿ëÇÑ ½Ã°¢È­
    ___Seaborn°ú MatplotlibÀÇ Â÷ÀÌ
    ___Seaborn ÇÃ·Ô Å½»öÇϱâ
    ___¿¹Á¦: ¸¶¶óÅæ ¿ÏÁÖ ½Ã°£ Ž»ö
    ±âŸ ÀÚ·á
    ___Matplotlib ÀÚ·á
    ___±âŸ ÆÄÀ̽㠱׷¡ÇÈ ¶óÀ̺귯¸®

    ¢Ã 05Àå: ¸Ó½Å·¯´×

    ¸Ó½Å·¯´×À̶õ ¹«¾ùÀΰ¡?
    ___¸Ó½Å·¯´×ÀÇ ¹üÁÖ
    ___¸Ó½Å·¯´× ÀÀ¿ëÀÇ Á¤¼ºÀû »ç·Ê
    ___Á¤¸®
    Scikit-Learn ¼Ò°³
    ___Scikit-Learn¿¡¼­ÀÇ µ¥ÀÌÅÍ Ç¥Çö ¹æ½Ä
    ___Scikit-LearnÀÇ Estimator API
    ___ÀÀ¿ë: ¼ÕÀ¸·Î ¾´ ¼ýÀÚ Å½»ö
    Ãʸð¼ö¿Í ¸ðµ¨ °ËÁõ
    ___¸ðµ¨ °ËÁõ¿¡ ´ëÇÑ °í·Á»çÇ×
    ___ÃÖÀûÀÇ ¸ðµ¨ ¼±ÅÃÇϱâ
    ___ÇнÀ °î¼±
    ___½ÇÁ¦ °ËÁõ: ±×¸®µå °Ë»ö
    Ư¡ °øÇÐ
    ___¹üÁÖ Æ¯Â¡
    ___ÅؽºÆ® Ư¡
    ___À̹ÌÁö Ư¡
    ___À¯µµ Ư¡
    ___´©¶ô µ¥ÀÌÅÍÀÇ ´ëü
    ___Ư¡ ÆÄÀÌÇÁ¶óÀÎ
    ½ÉÈ­ ÇнÀ: ³ªÀÌºê º£ÀÌÁî ºÐ·ù
    ___º£ÀÌÁî ºÐ·ù
    ___°¡¿ì½º ³ªÀÌºê º£ÀÌÁî
    ___´ÙÇ׺ÐÆ÷ ³ªÀÌºê º£ÀÌÁî
    ___¾ðÁ¦ ³ªÀÌºê º£ÀÌÁî ¸ðµ¨À» »ç¿ëÇÒ °ÍÀΰ¡
    ½ÉÈ­ÇнÀ: ¼±Çü ȸ±Í
    ___´Ü¼ø ¼±Çü ȸ±Í
    ___±âÀú ÇÔ¼ö ȸ±Í
    ___¿¹Á¦: ÀÚÀü°Å ÅëÇà·® ¿¹Ãø
    ½ÉÈ­ ÇнÀ: ¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å
    ___¼­Æ÷Æ® ¹éÅÍ ¸Ó½ÅÀÇ µ¿±â
    ___¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å: ¸¶Áø ÃÖ´ëÈ­
    ___¿¹Á¦: ¾È¸é ÀνÄ
    ___¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å Á¤¸®
    ½ÉÈ­ ÇнÀ: ÀÇ»ç°áÁ¤ Æ®¸®¿Í ·£´ý Æ÷·¹½ºÆ®
    ___·£´ý Æ÷·¹½ºÆ® µîÀå ¹è°æ: ÀÇ»ç°áÁ¤ Æ®¸®
    ___ÃßÁ¤ ¸ðµ¨ÀÇ ¾Ó»óºí: ·£´ý Æ÷·¹½ºÆ®
    ___·£´ý Æ÷·¹½ºÆ® ȸ±Í
    ___¿¹Á¦: ·£´ý Æ÷·¹½ºÆ®¸¦ »ç¿ëÇÑ ¼ýÀÚ ºÐ·ù
    ·£´ý Æ÷·¹½ºÆ® Á¤¸®
    ½ÉÈ­ ÇнÀ: ÁÖ¼ººÐ ºÐ¼®
    ___ÁÖ¼ººÐ ºÐ¼® ¼Ò°³
    ___PCA ÀÀ¿ë: ³ëÀÌÁî ÇÊÅ͸µ
    ___¿¹Á¦: °íÀ¯¾ó±¼
    ___ÁÖ¼ººÐ ºÐ¼® Á¤¸®
    ½ÉÈ­ ÇнÀ: ´Ù¾çü ÇнÀ
    ___´Ù¾çü ÇнÀ: ¡®HELLO¡¯
    ___´ÙÂ÷¿ø ôµµ¹ý(MDS, Multidimensional Sacling)
    ___´Ù¾çü ÇнÀÀ¸·Î¼­ÀÇ MDS
    ___ºñ¼±Çü ÀÓº£µù: MDS°¡ ½ÇÆÐÇÑ °æ¿ì
    ___ºñ¼±Çü ´Ù¾çü ÇнÀ: ±¹¼Ò ¼±Çü ÀÓº£µù
    ___´Ù¾çü ¹æ½Ä¿¡ ´ëÇÑ ¸î °¡Áö »ý°¢
    ___¿¹Á¦: ¾ó±¼ µ¥ÀÌÅÍ¿¡ ¾ÆÀÌ¼Ò¸Ê Àû¿ë
    ___¿¹Á¦: ¼ýÀÚ µ¥ÀÌÅÍÀÇ ±¸Á¶ ½Ã°¢È­
    ½ÉÈ­ ÇнÀ: k-Æò±Õ ±ºÁýÈ­
    ___k-Æò±Õ ¼Ò°³
    ___¿¹Á¦
    ½ÉÈ­ ÇнÀ: °¡¿ì½º È¥ÇÕ ¸ðµ¨
    ___GMM µîÀå ¹è°æ: k-Æò±ÕÀÇ ¾àÁ¡
    ___E-M ´Ü°è ÀϹÝÈ­Çϱâ: °¡¿ì½º È¥ÇÕ ¸ðµ¨
    ___¹Ðµµ ÃßÁ¤¿¡ GMM »ç¿ëÇϱâ
    ___¿¹Á¦: »õ·Î¿î µ¥ÀÌÅ͸¦ »ý¼ºÇÏ´Â GMM
    ½ÉÈ­ ÇнÀ: Ä¿³Î ¹Ðµµ ÃßÁ¤
    ___KDE µîÀå ¹è°æ: È÷½ºÅä±×·¥
    ___Ä¿³Î ¹Ðµµ ÃßÁ¤ÀÇ ½ÇÁ¦ Àû¿ë
    ___¿¹Á¦: ±¸(Ϲ)¿¡ KDE Àû¿ëÇϱâ
    ___¿¹Á¦: ³ªÀ̺êÇÏÁö ¾ÊÀº º£ÀÌÁî(Not-So-Naive Bayes)
    ÀÀ¿ë: ¾È¸é ÀÎ½Ä ÆÄÀÌÇÁ¶óÀÎ
    ___HOG Ư¡
    ___½ÇÁ¦ HOG: °£´ÜÇÑ ¾È¸é Àνıâ
    ___ÁÖÀÇ»çÇ× ¹× °³¼±»çÇ×
    ¸Ó½Å·¯´× °ü·Ã Ãß°¡ ÀÚ·á
    ___ÆÄÀ̽㿡¼­ÀÇ ¸Ó½Å·¯´×
    ___ÀϹÝÀûÀÎ ¸Ó½Å·¯´×

    °ü·ÃÀ̹ÌÁö

    ÀúÀÚ¼Ò°³

    Á¦ÀÌÅ© ¹ê´õÇ÷¡½º [Àú] ½ÅÀ۾˸² SMS½Åû
    »ý³â¿ùÀÏ -

    ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.

    ±èÁ¤ÀÎ [¿ª] ½ÅÀ۾˸² SMS½Åû
    »ý³â¿ùÀÏ -

    ÀúÀÚ ±èÁ¤ÀÎÀº ÇöÀç ±â¾÷ ºòµ¥ÀÌÅÍ Àü·«ÆÀ¿¡¼­ ±Ù¹«ÇÏ°í ÀÖ´Ù. ¿Å±ä Ã¥À¸·Î´Â ¡¶Äɶ󽺷Π±¸ÇöÇÏ´Â °í±Þ µö·¯´× ¾Ë°í¸®Áò¡· ¡¶½ÇÀü! Core MLÀ» È°¿ëÇÑ ¸Ó½Å·¯´× iOS ¾Û °³¹ß¡· ¡¶½ÇÀüÈ°¿ë! ÅÙ¼­Ç÷Πµö·¯´× ÇÁ·ÎÁ§Æ®¡· ¡¶¸¶ÀÌÅ©·Î¼ÒÇÁÆ® º¿ ÇÁ·¹ÀÓ¿öÅ© ÇÁ·Î±×·¡¹Ö¡· ¡¶¾ÖÀÚÀÏ µ¥ÀÌÅÍ °úÇÐ 2.0¡· ¡¶±¸±Û ¾Ö³Î¸®Æ½½º ¿Ïº® °¡À̵塷 ¡¶ÆÄÀ̽㠵¥ÀÌÅÍ »çÀ̾𽺠ÇÚµåºÏ¡· ¡¶·¯´× ½ºÄ®¶ó¡·µîÀÌ ÀÖ´Ù.

    ÀÌ »óÇ°ÀÇ ½Ã¸®Áî

    (ÃÑ 56±Ç / ÇöÀ籸¸Å °¡´Éµµ¼­ 55±Ç)

    ¼±ÅÃÇÑ »óÇ° ºÏÄ«Æ®´ã±â
    ÆîÃ帱â

    Àü°øµµ¼­/´ëÇб³Àç ºÐ¾ß¿¡¼­ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥

      ¸®ºä

      0.0 (ÃÑ 0°Ç)

      100ÀÚÆò

      ÀÛ¼º½Ã À¯ÀÇ»çÇ×

      ÆòÁ¡
      0/100ÀÚ
      µî·ÏÇϱâ

      100ÀÚÆò

      10.0
      (ÃÑ 0°Ç)

      ÆǸÅÀÚÁ¤º¸

      • ÀÎÅÍÆÄÅ©µµ¼­¿¡ µî·ÏµÈ ¿ÀǸ¶ÄÏ »óÇ°Àº ±× ³»¿ë°ú Ã¥ÀÓÀÌ ¸ðµÎ ÆǸÅÀÚ¿¡°Ô ÀÖÀ¸¸ç, ÀÎÅÍÆÄÅ©µµ¼­´Â ÇØ´ç »óÇ°°ú ³»¿ë¿¡ ´ëÇØ Ã¥ÀÓÁöÁö ¾Ê½À´Ï´Ù.

      »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
      ´Ü, »óÇ°ÀÇ °áÇÔ ¹× °è¾à³»¿ë°ú ´Ù¸¦ °æ¿ì ¹®Á¦Á¡ ¹ß°ß ÈÄ 30ÀÏ À̳»

      ¹ÝÇ°/±³È¯ ºñ¿ë

      º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã
      »óÇ°À̳ª ¼­ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯/¹ÝÇ°Àº ¹Ý¼Û·á ÆǸÅÀÚ ºÎ´ã

      ¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯

      ·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
      (´ÜÁö È®ÀÎÀ» À§ÇÑ Æ÷Àå ÈѼÕÀº Á¦¿Ü)

      ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
      ¿¹) È­ÀåÇ°, ½ÄÇ°, °¡ÀüÁ¦Ç°(¾Ç¼¼¼­¸® Æ÷ÇÔ) µî

      ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì
      ¿¹) À½¹Ý/DVD/ºñµð¿À, ¼ÒÇÁÆ®¿þ¾î, ¸¸È­Ã¥, ÀâÁö, ¿µ»ó È­º¸Áý

      ·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
      ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó

      ·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© 󸮵Ê

      ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ ¼ÒºñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ

      (ÁÖ)KGÀ̴Ͻýº °áÁ¦´ë±Ý¿¹Ä¡¾÷ µî·Ï¹øÈ£: 02-006-00013

      (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.
      µî·Ï ¿©ºÎ´Â e-±ÝÀ¶¹Î¿ø¼¾ÅÍ È¨ÆäÀÌÁö(www.fcsc.kr)ÀÇ µî·Ï¡¤½Å°í>ÀüÀÚ±ÝÀ¶¾÷µî·ÏÇöȲ ¸Þ´º¿¡¼­ È®ÀÎÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù. ¼­ºñ½º °¡ÀÔ»ç½Ç È®ÀÎ

      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.

      • - µµ¼­ ±¸¸Å ½Ã 15,000¿ø ÀÌ»ó ¹«·á¹è¼Û, 15,000¿ø ¹Ì¸¸ 2,500¿ø - »óÇ°º° ¹è¼Ûºñ°¡ ÀÖ´Â °æ¿ì, »óÇ°º° ¹è¼Ûºñ Á¤Ã¥ Àû¿ë