±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.
Á¤°¡ |
18,000¿ø |
---|
18,000¿ø
540P (3%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼(1)
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
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» Àú¼úÇÏ¸é¼ 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» ÇÏ¸é¼ º£ÀÌÁ÷BASIC, ÆĽºÄ®PASCAL, C, ¾î¼Àºí·¯ µîÀÇ ÇÁ·Î±×·¡¹Ö À» ÀÍÇû´Ù. ±×·¯¸é¼ Á¤º¸±â¼úÀÌ ¿ì¸® »ýÈ°¿¡ °¡Á®¿Ã º¯ÈÀÇ ÀáÀç·Â¿¡ ´«À» ¶ß°Ô µÇ¾ú°í ±× ÈÄ·Î Á¤º¸±â¼ú°ú ºñÁî´Ï½º¸¦ ÇÔ²² ÀÌÇØÇÏ·Á°í ³ë·ÂÇÏ°í ÀÖ´Ù. ÇÐÀ§¸¦ ¹ÞÀº ÈÄ¿¡´Â ´ºÀúÁö°ø°ú´ëÇÐNew Jersey Institute of Technology¿¡¼ ±³¼ö¸¦ ÇÏ¸é¼ ¹Ì±¹°úÇÐÀç´ÜNSF¿¡¼ ¿¬±¸ºñ¸¦ Áö¿ø¹Þ¾Æ Ãßõ½Ã½ºÅÛ°ú °³ÀÎÈ ±â¼úÀ» ¿¬±¸ÇÏ¿´´Ù. ÃÖ±Ù¿¡´Â ±â°èÇнÀ°ú ºòµ¥ÀÌÅÍ ºÐ¼® ¹æ¹ýÀ» È°¿ëÇؼ ¿Â¶óÀΰú ¸ð¹ÙÀϻ󿡼 ¼ÒºñÀÚÀÇ ÇൿÀ» ºÐ¼®ÇÏ°í ¿¹ÃøÇÏ´Â ¿¬±¸¸¦ ¼öÇàÇÏ°í ÀÖ´Ù. ÀÎÅͳݿ¡¼ µîÀåÇÑ IT ±â¹Ý Ç÷§Æû ºñÁî´Ï½º¿¡ °üÇÑ °ü½É¿¡¼ Ãâ¹ßÇؼ SNS, O2O, ÇÉÅ×Å© ºñÁî´Ï½º Àü·«¿¡µµ °ü½ÉÀ» °¡Áö°í ÀÖ´Ù.
ÆîÃ帱âÀúÀÚÀÇ ´Ù¸¥Ã¥
Àüüº¸±âPythonÀ» ÀÌ¿ëÇÑ °³ÀÎÈ Ãßõ ½Ã½ºÅÛ
°æ¿µÀÚ°¡ ¾Ë¾Æ¾ß ÇÒ 4Â÷ »ê¾÷Çõ¸í ±â¾÷ Àü...
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.
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.
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.