°£Æí°áÁ¦, ½Å¿ëÄ«µå 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&ÀÎÅÍÆÄÅ©Ä«µå 20% (14,400¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

PythonÀ» ÀÌ¿ëÇÑ °³ÀÎÈ­ Ãßõ½Ã½ºÅÛ

¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

°øÀ¯Çϱâ
  • Àú : ÀÓÀÏ
  • ÃâÆÇ»ç : û¶÷
  • ¹ßÇà : 2020³â 08¿ù 25ÀÏ
  • Âʼö : 158
  • ISBN : 9788959727667
Á¤°¡

18,000¿ø

  • 18,000¿ø

    540P (3%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°¡

    Ã¥¼Ò°³

    ÇöÀç Ãßõ ¾Ë°í¸®ÁòÀ¸·Î °¡Àå ³Î¸® »ç¿ëµÇ´Â Çù¾÷ ÇÊÅ͸µ(Collaborative Filtering: CF),
    Çà·Ä ¿äÀÎÈ­(Matrix Factorization: MF), µö·¯´×(Deep Learning: DL) ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¿Í PythonÀ» »ç¿ëÇÑ °³ÀÎÈ­ Ãßõ ½Ã½ºÅÛ ±¸ÃàÀ» ´Ù·ç°í ÀÖ´Ù.
    Ãßõ ½Ã½ºÅÛÀÇ ±âº»ÀûÀÎ ¿ø¸®¸¦ ÀÌÇØÇÏ´Â µ¥ È°¿ëÇÒ ¼ö ÀÖ´Ù.

    ÃâÆÇ»ç ¼­Æò

    [Ư¡¡½
    °³ÀÎÈ­ ÃßõÀº °¢ °³ÀÎÀÇ °ü½É»ç³ª ¼±È£µµ¸¦ ºÐ¼®Çؼ­ ±×¿¡ ¸Â´Â Á¤º¸³ª Á¦Ç°À» ÃßõÇØ ÁÖ´Â °ÍÀ» ¸»ÇÑ´Ù. ÃÖ±Ù °í°´¿¡ ´ëÇØ ÀÚ¼¼ÇÑ Á¤º¸¸¦ ¼öÁýÇÒ ¼ö ÀÖ°Ô µÇ¸é¼­ °³ÀÎÈ­ ÃßõÀÌ Á¡Á¡ ´õ ³Î¸® ¾²ÀÌ°í, ¶ÇÇÑ ±â¾÷ÀÇ »õ·Î¿î ¼­ºñ½º °³¹ß¿¡¼­ ÃßõÀÌ Áß¿äÇÑ ±âº» ±â¼úÀÌ µÇ°í ÀÖ´Ù. °³ÀÎÈ­ Ãßõ ±â¼úÀº ±âº»ÀûÀ¸·Î´Â ¾Æ¸¶Á¸À̳ª ³ÝÇø¯½ºÃ³·³ Ãßõ ¼­ºñ½º¸¦ Á¦°øÇÏ´Â µ¥ »ç¿ëµÇÁö¸¸, °³ÀÎÀÇ ¸ÂÃãÇü ¼­ºñ½º°¡ ÇÊ¿äÇÑ ±¤°í³ª À¥ÆäÀÌÁö ±¸¼º µî ´Ù¾çÇÑ ºÐ¾ß¿¡ Àû¿ëÀÌ °¡´ÉÇÏ´Ù.
    ÀÌ Ã¥ÀÇ °¡Àå Áß¿äÇÑ ¸ñÀûÀº µ¶ÀÚµéÀÌ ÁÖ¿ä °³ÀÎÈ­ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ ÀÌÇØÇϵµ·Ï ÇÏ´Â °ÍÀÌ´Ù. À̸¦ À§ÇØ ÀÌ Ã¥¿¡¼­´Â °³ÀÎÈ­ Ãßõ ±â¼úÀÇ Àü¹ÝÀûÀÎ ³»¿ë, ±×Áß¿¡¼­µµ ƯÈ÷ ¿¬¼Ó°ªÀ» »ç¿ëÇÏ´Â °³ÀÎÈ­ Ãßõ ±â¼úÀ» ´Ù·é´Ù. ±¸Ã¼ÀûÀ¸·Î´Â Çù¾÷ ÇÊÅ͸µ(collaborative filtering), Çà·Ä ¿äÀÎÈ­(matrix factorization) ±×¸®°í µö·¯´×(deep learning) Ãßõ ¾Ë°í¸®Áò µî¿¡ ´ëÇØ ´Ù·é´Ù. ¶ÇÇÑ ´Ù¼öÀÇ Ãßõ ¾Ë°í¸®ÁòÀ» °áÇÕÇÑ ÇÏÀ̺긮µå(hybrid) Ãßõ ½Ã½ºÅÛ µî¿¡ ´ëÇؼ­µµ ¼³¸íÇÑ´Ù.
    ÇÏÁö¸¸ ÀÌ Ã¥¿¡¼­´Â °³ÀÎÈ­ Ãßõ ±â¼ú¿¡ ´ëÇØ ¸ðµç °ÍÀ» ´Ù·çÁö´Â ¾Ê´Â´Ù. ½ÇÁ¦ °³ÀÎÈ­ Ãßõ ½Ã½ºÅÛÀ» ±¸ÇöÇϱâ À§Çؼ­´Â ¾Ë°í¸®Áò¿¡ ´ëÇÑ ÀÌÇØ¿¡ ´õÇÏ¿© µ¥ÀÌÅÍ Àü󸮳ª ´ë¿ë·® µ¥ÀÌÅÍ Ã³¸®¿¡ ´ëÇÑ ÀÌÇØ°¡ ÇÊ¿äÇÏÁö¸¸, ÀÌµé ³»¿ëÀº ÀÌ Ã¥¿¡¼­ ´Ù·çÁö ¾Ê´Â´Ù. ÀÌÁø°ª(0 ȤÀº 1)À» À§ÇÑ Ãßõ ¾Ë°í¸®Áò ¶ÇÇÑ ´Ù·çÁö ¾Ê´Â´Ù.
    ÀÌ Ã¥¿¡¼­´Â °¢ ¾Ë°í¸®Áòº°·Î ±âº» ¿ø¸®¿¡ ´ëÇÑ ¼³¸í°ú °¢ ¾Ë°í¸®ÁòÀÌ PythonÀ¸·Î ¾î¶»°Ô ±¸ÇöµÉ ¼ö ÀÖ´ÂÁö¸¦ ¿¹¸¦ ÅëÇؼ­ º¸¿©ÁÖ°í ÀÖ´Ù. ÀÌ Ã¥Àº ¾Ë°í¸®ÁòÀ» ¼öÇÐÀûÀ¸·Î ¼³¸íÇÏ´Â °ÍÀÌ ÁÖ¸ñÀûÀÌ ¾Æ´Ï±â ¶§¹®¿¡ ¼ö½ÄÀº ¾Ë°í¸®ÁòÀ» ÀÌÇØÇÏ´Â µ¥ ²À ÇÊ¿äÇÑ Á¤µµ·Î¸¸ ÇÑÁ¤ÇÏ¿´´Ù. ¶ÇÇÑ µ¶ÀÚÀÇ ÀÌÇظ¦ µ½°í ½º½º·Î ½Ç½ÀÇÒ ±âȸ¸¦ ÁÖ±â À§Çؼ­ ¿¬½À¹®Á¦¸¦ Ãß°¡ÇÏ¿´´Ù.
    ÀÌ Ã¥À» Àú¼úÇϸ鼭 ÄÄÇ»Åͳª ¼öÇп¡ ´ëÇÑ ±íÀº Áö½ÄÀÌ ¾ø´õ¶óµµ °³ÀÎÈ­ Ãßõ ¾Ë°í¸®ÁòÀÇ ÀÛµ¿¿ø¸®¸¦ Å« ¾î·Á¿ò ¾øÀÌ ÀÌÇØÇÒ ¼ö ÀÖµµ·Ï ±¸¼ºÇÏ·Á°í ³ë·ÂÇÏ¿´´Ù. ´Ù¸¸ PythonÀ» »ç¿ëÇÑ ÄÚµù ºÎºÐÀº Python¿¡ ´ëÇÑ ±âÃÊ Áö½ÄÀÌ ÀÖ´Ù´Â °¡Á¤ÇÏ¿¡ ¼³¸íÀ» ÇÏ°í ÀÖ´Ù. Áï PythonÀÇ ±âº» ¹®¹ýÀ̳ª Numpy, Pandas, Keras µî¿¡ ´ëÇÑ ±âÃÊÀûÀÎ ¼³¸íÀº »ý·«ÇÏ°í À̵éÀ» È°¿ëÇÑ ¾Ë°í¸®Áò ¼³¸í¿¡ ÃÊÁ¡À» ¸ÂÃß¾ú´Ù. ±×¸®°í ºÐ¼® ±â¹ý Áß¿¡¼­´Â SGD(Stochastic Gradient Decent)°¡ Áß¿äÇÏ°Ô ¼³¸íÀÌ µÇ¹Ç·Î ÀÌ¿¡ ´ëÇÑ ±âº» Áö½Äµµ ÇÊ¿äÇÏ´Ù. ¸¸ÀÏ ÀÌ·± °Í¿¡ Àͼ÷ÇÏÁö ¾ÊÀº µ¶ÀÚµéÀº Python ±âº» ¹®¹ý°ú Numpy, Pandas, Keras, SGD µîÀ» ¸ÕÀú ÇнÀÇÏ°í ÀÌ Ã¥À» º¼ °ÍÀ» ±ÇÀåÇÑ´Ù.
    º» Ã¥À» óÀ½ºÎÅÍ ³¡±îÁö ¼ø¼­´ë·Î Âø½ÇÈ÷ µû¶ó°¡¸é °³ÀÎÈ­ Ãßõ ½Ã½ºÅÛÀÇ ´Ù¾çÇÑ ¾Ë°í¸®Áò¿¡ ´ëÇÑ ±âº»ÀûÀÎ ¿ø¸®¸¦ ÀÌÇØÇÒ ¼ö ÀÖÀ» °ÍÀÌ´Ù. ÀÌ Ã¥ÀÌ Ãßõ ½Ã½ºÅÛÀ̳ª °³ÀÎÈ­ ½Ã½ºÅÛ ±¸Ãà¿¡ °ü½ÉÀÌ Àְųª °ü·ÃµÈ ¿¬±¸¸¦ ÇÏ´Â ºÐµé²² µµ¿òÀÌ µÇ¾úÀ¸¸é ÇÏ´Â ¹Ù¶÷ÀÌ´Ù.
    ¡´Ã¥¿¡¼­ »ç¿ëµÇ´Â ÄÚµå¿Í µ¥ÀÌÅÍ´Â ÃâÆÇ»ç ȨÆäÀÌÁö ÀϹÝÀÚ·á½Ç(http:// www.crbooks.co.kr)¿¡¼­ ´Ù¿î¹ÞÀ» ¼ö ÀÖ´Ù.¡µ

    ¸ñÂ÷

    Chapter 1 Ãßõ ½Ã½ºÅÛ ¼Ò°³
    1.1 ÁÖ¿ä Ãßõ ¾Ë°í¸®Áò
    1.2 Ãßõ ½Ã½ºÅÛ Àû¿ë »ç·Ê

    Chapter 2 ±âº»ÀûÀÎ Ãßõ ½Ã½ºÅÛ
    2.1 µ¥ÀÌÅÍ Àбâ
    2.2 ÀαâÁ¦Ç° ¹æ½Ä
    2.3 Ãßõ ½Ã½ºÅÛÀÇ Á¤È®µµ ÃøÁ¤
    2.4 »ç¿ëÀÚ Áý´Üº° Ãßõ

    Chapter 3 Çù¾÷ ÇÊÅ͸µ Ãßõ ½Ã½ºÅÛ
    3.1 Çù¾÷ ÇÊÅ͸µÀÇ ¿ø¸®
    3.2 À¯»çµµÁöÇ¥
    3.3 ±âº» CF ¾Ë°í¸®Áò
    3.4 ÀÌ¿ôÀ» °í·ÁÇÑ CF
    3.5 ÃÖÀûÀÇ ÀÌ¿ô Å©±â °áÁ¤
    3.6 »ç¿ëÀÚÀÇ Æò°¡°æÇâÀ» °í·ÁÇÑ CF
    3.7 ±× ¿ÜÀÇ CF Á¤È®µµ °³¼± ¹æ¹ý
    3.8 »ç¿ëÀÚ ±â¹Ý CF¿Í ¾ÆÀÌÅÛ ±â¹Ý CF
    3.9 Ãßõ ½Ã½ºÅÛÀÇ ¼º°úÃøÁ¤ÁöÇ¥

    Chapter 4 Matrix Factorization(MF) ±â¹Ý Ãßõ
    4.1 Matrix Factorization(MF) ¹æ½ÄÀÇ ¿ø¸®
    4.2 SGD(Stochastic Gradient Decent)¸¦ »ç¿ëÇÑ MF ¾Ë°í¸®Áò
    4.3 SGD¸¦ »ç¿ëÇÑ MF ±âº» ¾Ë°í¸®Áò
    4.4 train/test ºÐ¸® MF ¾Ë°í¸®Áò
    4.5 MFÀÇ ÃÖÀû ÆĶó¹ÌÅÍ Ã£±â
    4.6 MF¿Í SVD

    Chapter 5 Surprise ÆÐÅ°Áö »ç¿ë
    5.1 Surprise ±âº» È°¿ë ¹æ¹ý
    5.2 ¾Ë°í¸®Áò ºñ±³
    5.3 ¾Ë°í¸®Áò ¿É¼Ç ÁöÁ¤
    5.4 ´Ù¾çÇÑ Á¶°ÇÀÇ ºñ±³
    5.5 ¿ÜºÎ µ¥ÀÌÅÍ »ç¿ë

    Chapter 6 µö·¯´×À» »ç¿ëÇÑ Ãßõ ½Ã½ºÅÛ
    6.1 Matrix Factorization(MF)À» ½Å°æ¸ÁÀ¸·Î º¯È¯Çϱâ
    6.2 Keras·Î MF ±¸ÇöÇϱâ
    6.3 µö·¯´×À» Àû¿ëÇÑ Ãßõ ½Ã½ºÅÛ
    6.4 µö·¯´× ¸ðµ¨¿¡ º¯¼ö Ãß°¡Çϱâ

    Chapter 7 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛ
    7.1 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛÀÇ ÀåÁ¡
    7.2 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛÀÇ ¿ø¸®
    7.3 ÇÏÀ̺긮µå Ãßõ ½Ã½ºÅÛ(CF¿Í MFÀÇ °áÇÕ)

    Chapter 8 ´ë±Ô¸ð µ¥ÀÌÅÍÀÇ Ã³¸®¸¦ À§ÇÑ Sparse matrix »ç¿ë
    8.1 Sparse matrixÀÇ °³³ä°ú Python¿¡¼­ÀÇ »ç¿ë
    8.2 Sparse matrix¸¦ Ãßõ ¾Ë°í¸®Áò¿¡ Àû¿ëÇϱâ

    Chapter 9 Ãßõ ½Ã½ºÅÛ ±¸Ãà¿¡¼­ÀÇ À̽´
    9.1 ½Å±Ô »ç¿ëÀÚ¿Í ¾ÆÀÌÅÛ(Cold start problem)
    9.2 È®À强(Scalability)
    9.3 ÃßõÀÇ È°¿ë(Presentation)
    9.4 ÀÌÁø¼ö µ¥ÀÌÅÍ(Binary data)ÀÇ »ç¿ë
    9.5 »ç¿ëÀÚÀÇ °£Á¢ Æò°¡ µ¥ÀÌÅÍ(Indirect evaluation data) È®º¸

    ÀúÀÚ¼Ò°³

    »ý³â¿ùÀÏ -

    ¿¬¼¼´ëÇб³ °æ¿µ´ëÇÐ Á¤º¸½Ã½ºÅÛ ±³¼öÀ̸ç Çѱ¹°úÇбâ¼úÇѸ²¿ø Á¤È¸¿øÀÌ´Ù. ¼­¿ï´ëÇб³¿¡¼­ °æ¿µÇÐ ÇлçÇÐÀ§¿Í ¼®»çÇÐÀ§¸¦ ¹Þ¾Ò°í ¹Ì±¹ ¼­´øĶ¸®Æ÷´Ï¾Æ ´ëÇб³USC, University of Southern CaliforniaÀÇ °æ¿µ´ëÇÐ ¸¶¼È ºñÁî´Ï½º ½ºÄðMarshall School of Business¿¡¼­ Á¤º¸½Ã½ºÅÛ Àü°øÀ¸·Î ¹Ú»çÇÐÀ§¸¦ ¹Þ¾Ò´Ù. ¿ø·¡´Â Àü ¼¼°è¸¦ »ó´ë·Î ºñÁî´Ï½º¸¦ ÇÏ°Ú´Ù´Â ¿ø´ëÇÑ ²ÞÀ» °¡Áö°í °æ¿µÇаú¿¡ ÀÔÇÐÇßÀ¸³ª ÀÔÇÐ ¼±¹°·Î ¹ÞÀº ¾ÖÇà II ÄÄÇ»ÅÍ°¡ ÀλýÀ» ¹Ù²Ù¾î³õ¾Ò´Ù. °è»êÅë°èÇаúÀÇ ¼ö¾÷À» µè°í Ã¥À¸·Î µ¶ÇÐÀ» Çϸ鼭 º£ÀÌÁ÷BASIC, ÆĽºÄ®PASCAL, C, ¾î¼Àºí·¯ µîÀÇ ÇÁ·Î±×·¡¹Ö

    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

      0.0
      (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