간편결제, 신용카드 청구할인
인터파크 롯데카드 5% (34,200원)
(최대할인 10만원 / 전월실적 40만원)
북피니언 롯데카드 30% (25,200원)
(최대할인 3만원 / 3만원 이상 결제)
NH쇼핑&인터파크카드 20% (28,800원)
(최대할인 4만원 / 2만원 이상 결제)
Close

추천 시스템 : 기초부터 실무까지 머신러닝 추천 시스템 교과서

원제 : Recommender systems
소득공제

2013년 9월 9일 이후 누적수치입니다.

판매지수 49
?
판매지수란?
사이트의 판매량에 기반하여 판매량 추이를 반영한 인터파크 도서에서의 독립적인 판매 지수입니다. 현재 가장 잘 팔리는 상품에 가중치를 두었기 때문에 실제 누적 판매량과는 다소 차이가 있을 수 있습니다. 판매량 외에도 다양한 가중치로 구성되어 최근의 이슈도서 확인시 유용할 수 있습니다. 해당 지수는 매일 갱신됩니다.
Close
공유하기
정가

40,000원

  • 36,000 (10%할인)

    2,000P (5%적립)

할인혜택
적립혜택
  • I-Point 적립은 마이페이지에서 직접 구매확정하신 경우만 적립 됩니다.
추가혜택
배송정보
  • 11/29(화) 이내 발송 예정  (서울시 강남구 삼성로 512)
  • 무료배송
주문수량
감소 증가
  • 이벤트/기획전

  • 연관도서

  • 상품권

AD

책소개

사용자의 이전 검색이나 구매를 기반으로 제품 또는 서비스의 개인화된 추천을 제공하는 추천 시스템을 포괄적으로 다룬다. 추천 시스템 방법은 쿼리 로그 마이닝, 소셜 네트워킹, 뉴스 추천 및 컴퓨터 광고를 포함한 다양한 애플리케이션에 적용됐다. 이 책은 알고리듬 및 평가, 특정 도메인 및 컨텍스트의 추천, 고급 주제 및 애플리케이션의 세 가지 범주로 구성했다. 기본적으로 교과서 역할을 하면서도 최근 주제와 애플리케이션도 함께 소개하므로 산업 종사자와 연구자들에게도 도움이 될 것이다. 수많은 예제와 연습 문제를 제공한다.

출판사 서평

◈ 이 책의 대상 독자 ◈
교과서로 사용할 수 있도록 많은 예제와 연습문제를 수록했으며, 기본 주제와 알고리듬 챕터는 강의 교육을 염두에 두고 만들었다. 그리고 많은 산업 실무자와 연구자가 응용하고 참고할 때 유용하게 쓸 수 있도록 많은 노력을 기울였다.


◈ 이 책의 구성 ◈
이 책의 각 장은 3가지 카테고리로 구성됐다.
1. 알고리듬과 평가: 협업 필터링 방법, 콘텐츠 기반 방법, 지식 기반 방법 등 추천 시스템의 기본적인 알고리듬을 논의한다. 하이브리드 방법에 관한 기술과 추천 시스템 평가도 다룬다.
2. 도메인과 컨텍스트별 추천 시스템: 추천 시스템의 컨텍스트는 효과적인 추천을 제공할 때 중요한 역할을 한다. 예를 들어 식당을 찾는 사용자는 자신의 위치 데이터를 추가적인 컨텍스트로 사용하길 원할 것이다. 추천의 컨텍스트는 추천의 목표에 영향을 미치는 매우 중요한 부가 정보로 볼 수 있다. 시간 데이터, 공간 데이터, 소셜 데이터와 같은 다른 도메인 유형들은 다른 유형의 컨텍스트를 제공한다. 또한 추천 프로세스의 신뢰성을 증가시키기 위해 소셜 정보를 이용할 때 발생하는 이슈를 논의할 것이다. factorization machine과 신뢰할 수 있는 추천 시스템도 다룬다.
3. 고급 주제와 애플리케이션: 실링 시스템, 공격 모델, 방어법과 같은 추천 시스템의 다양한 견고성 측면에 관해 살펴본다. 랭크 학습, 멀티암 밴딧, 그룹 추천 시스템, 다중-기준 시스템, 능동 학습 시스템과 같은 주제도 논의한다. 그리고 뉴스 추천 시스템, 쿼리 검색, 전산 광고와 같이 사용된 몇몇 애플리케이션 환경을 조사한다. ‘애플리케이션’ 절은 이러한 앞쪽 장에서 소개한 방법을 다른 도메인에 어떻게 적용하는지 아이디어를 제공한다.

목차

1장. 추천 시스템 소개
1.1 개요
1.2 추천 시스템의 목표
1.21 추천 애플리케이션의 범위
1.3 추천 시스템의 기본 모델
1.3.1 협업 필터링 모델
1.3.1.1 평점의 종류
1.3.1.2 결측치 분석과의 관계
1.3.1.3 분류와 회귀 모델링의 일반화로써의 협업 필터링
1.3.2 콘텐츠 기반 추천 시스템
1.3.3 지식 기반 추천 시스템
1.3.31 효용 기반 추천 시스템
1.3.4 인구 통계학적 추천 시스템
1.3.5 하이브리드와 앙상블 기반 추천 시스템
1.3.6 추천 시스템의 평가
1.4 추천 시스템의 도메인 특화 과제
1.4.1 컨텍스트 기반 추천 시스템
1.4.2 시간에 민감한 추천 시스템
1.4.3 위치 기반 추천 시스템
1.4.4 소셜 추천 시스템
1.4.4.1 노드와 링크의 구조적 추천
1.4.4.2 사회적 영향을 고려한 제품과 콘텐츠 추천
1.4.4.3 신뢰할 수 있는 추천 시스템
1.4.4.4 소셜 태그 피드백을 활용한 추천
1.5 고급 주제 및 애플리케이션
1.5.1 추천 시스템의 콜드 스타트 문제
1.5.2 공격에 강한 추천 시스템
1.5.3 그룹 추천 시스템
1.5.4 다중 기준 추천 시스템
1.5.5 추천 시스템의 능동 학습
1.5.6 추천 시스템의 개인정보보호
1.5.7 애플리케이션 도메인
1.6 요약
1.7 참고문헌
1.8 연습 문제


2장. 이웃 기반 협업 필터링
2.1 개요
2.2 평점 행렬의 주요 특징
2.3 이웃 기반 방법론의 평점 예측
2.3.1 사용자 기반 이웃 모델
2.3.1.1 유사도 함수 변형
2.3.1.2 예측함수의 변형
2.3.1.3 피어 그룹 필터링의 변형
2.3.1.4 롱테일의 영향
2.3.2 아이템 기반 이웃 모델
2.3.3 효율적 구현 및 계산 복잡성
2.3.4 사용자 기반 방법론과 아이템 기반 방법론의 비교
2.3.5 이웃 기반 방법론의 장점과 단점
2.3.6 사용자 기반과 아이템 기반 방법론의 통합된 관점
2.4 클러스터링과 이웃 기반 방법론
2.5 차원 축소와 이웃 기반 방법론
2.5.1 바이어스 문제 처리
2.5.1.1 최대 우도 추정
2.5.1.2 불완전한 데이터의 직접 행렬 인수분해
2.6 이웃 방법론의 회귀 모델링 관점
2.6.1 사용자 기반 최근접 이웃 회귀
2.6.1.1 희소성 및 바이어스 문제
2.6.2 아이템 기반 가장 근접 이웃 회귀
2.6.3 사용자 기반 및 아이템 기반 방법 결합
2.6.4 유사도 가중치를 이용하는 조인트 보간법
2.6.5 희소 선형 모델(SLIM)
2.7 이웃 기반 방법에 대한 그래프 모델
2.7.1 사용자-아이템 그래프
2.7.1.1 랜덤 워크를 이용한 이웃 정의
2.7.1.2 카츠 척도를 이용한 이웃 정의
2.7.2 사용자-사용자 그래프
2.7.3 아이템-아이템 그래프
2.8 요약
2.9 참고문헌
2.10 연습 문제


3장. 모델 기반 협업 필터링
3.1 개요
3.2 의사 결정 및 회귀 트리
3.2.1 의사 결정 트리를 협업 필터링으로 확장
3.3 규칙 기반 협업 필터링
3.3.1 협업 필터링을 위한 레버리지 연관 규칙의 활용
3.3.2 아이템별 모델 대 사용자별 모델
3.4 나이브 베이즈 협업 필터링
3.4.1 과적합 조정
3.4.2 이진 평점에 대한 베이즈 방법의 적용 예
3.5 임의의 분류 모델을 블랙 박스로 사용
3.5.1 예: 신경망을 블랙 박스로 사용
3.6 잠재 요인 모델
3.6.1 잠재 요인 모델에 대한 기하학적 직관
3.6.2 잠재 요인 모델에 관한 저차원 직관
3.6.3 기본 행렬 인수분해 원리
3.6.4 제약 없는 행렬 인수분해
3.6.4.1 확률적 경사하강법
3.6.4.2 정규화
3.6.4.3 점진적 잠재성분 훈련
3.6.4.4 최소 제곱과 좌표 하강의 교차 적용
3.6.4.5 사용자 및 아이템 바이어스 통합
3.6.4.6 암시적 피드백 통합
3.6.5 특이값 분해
3.6.5.1 SVD에 대한 간단한 반복 접근법
3.6.5.2 최적화 기반 접근법
3.6.5.3 표본 외 추천
3.6.5.4 특이값 분해의 예
3.6.6 비음행렬 인수분해
3.6.6.1 해석 가능성의 장점
3.6.6.2 암시적 피드백을 사용한 인수분해에 대한 고찰
3.6.6.3 암시적 피드백에 대한 계산 및 가중치 문제
3.6.6.4 좋아요와 싫어요가 모두 있는 평점
3.6.7 행렬 인수분해 계열의 이해
3.7 분해와 이웃 모델 통합
3.7.1 베이스라인 추정 모델: 개인화되지 않은 바이어스 중심 모델
3.7.2 모델의 이웃 부분
3.7.3 모델의 잠재 요인 부분
3.7.4 이웃 및 잠재 요인 부분의 통합
3.7.5 최적화 모델 풀기
3.7.6 정확도에 대한 고찰
3.7.7 잠재 요인 모델을 임의 모델과 통합
3.8 요약
3.9 참고문헌
3.10 연습 문제


4장. 콘텐츠 기반 추천 시스템
4.1 개요
4.2 콘텐츠 기반 시스템의 기본 구성 요소
4.3 전처리 및 피처 추출
4.3.1 피처 추출
4.3.1.1 상품 추천의 예
4.3.1.2 웹 페이지 추천의 예
4.3.1.3 음악 추천의 예
4.3.2 피처 표현 및 정제
4.3.3 사용자가 좋아하는 것과 싫어하는 것 수집
4.3.4 지도 피처 선택과 가중치 설정
4.3.4.1 지니 계수
4.3.4.2 엔트로피
4.3.4.3 X2-통계
4.3.4.4 정규화된 편차
4.3.4.5 피처 가중치 설정
4.4 사용자 프로파일 학습 및 필터링
4.4.1 최근접 이웃 분류
4.4.2 사례 기반 추천 시스템과의 연결
4.4.3 베이즈 분류 모델
4.4.3.1 중간 확률 추정
4.4.3.2 베이즈 모델의 예
4.4.4 규칙 기반 분류 모델
4.4.4.1 규칙 기반 방법의 예
4.4.5 회귀 기반 모델
4.4.6 기타 학습 모델 및 비교 개요
4.4.7 콘텐츠 기반 시스템에 관한 설명
4.5 콘텐츠 기반 대 협업 필터링 추천
4.6 협업 필터링 시스템을 위한 콘텐츠 기반 모델 사용
4.61 사용자 프로파일 활용
4.7 요약
4.8 참고문헌
4.9 연습 문제


5장. 지식 기반 추천 시스템
5.1 개요
5.2 제약 조건 기반 추천 시스템
5.2.1 관련 결과의 반환
5.2.2 상호작용 방법론
5.2.3 일치하는 아이템의 순위 매기기
5.2.4 허용되지 않는 결과 또는 공집합 처리
5.2.5 제약 조건 추가
5.3 사례 기반 추천
5.3.1 유사도 메트릭
5.3.1.1 유사도 계산에 다양성 통합
5.3.2 수정 방법론
5.3.2.1 간단한 수정
5.3.2.2 복합적 수정
5.3.2.3 동적 수정
5.3.3 수정에 대한 설명
5.4 지식 기반 시스템의 지속적인 개인화
5.5 요약
5.6 참고문헌
5.7 연습 문제


6장. 앙상블 기반과 하이브리드 추천 시스템
6.1 개요
6.2 분류 관점에서 본 앙상블 방법
6.3 가중 하이브리드
6.3.1 다양한 유형의 모델 조합
6.3.2 분류에서 배깅 적응
6.3.3 무작위성의 주입
6.4 스위칭 하이브리드
6.4.1 콜드 스타트 문제를 위한 스위칭 메커니즘
6.4.2 모델 버킷
6.5 캐스케이드 하이브리드
6.5.1 추천의 연속적인 재정의
6.5.2 부스팅
6.5.2.1 가중 기본 모델
6.6 피처 증강 하이브리드
6.7 메타 레벨 하이브리드
6.8 피처 결합 하이브리드
6.8.1 회귀 및 행렬 인수분해
6.8.2 메타 레벨 피처
6.9 혼합 하이브리드
6.10 요약
6.11 참고문헌
6.12 연습 문제


7장. 추천 시스템 평가
7.1 개요
7.2 평가 패러다임
7.2.1 사용자 연구
7.2.2 온라인 평가
7.2.3 과거 데이터 세트를 사용한 오프라인 평가
7.3 평가 디자인의 일반적 목표
7.3.1 정확성
7.3.2 커버리지
7.3.3 신뢰도와 신뢰
7.3.4 참신성
7.3.5 의외성
7.3.6 다양성
7.3.7 강건성과 안정성
7.3.8 확장성
7.4 오프라인 추천 평가의 설계 문제
7.4.1 넷플릭스 프라이즈 데이터 세트 사례 연구
7.4.2 학습 및 테스트 평점 분류
7.4.2.1 홀드 아웃
7.4.2.2 교차 검증
7.4.3 분류 설계와 비교
7.5 오프라인 평가의 정확도 지표
7.5.1 평점 예측의 정확도 측정
7.5.1.1 RMSE 대 MAE
7.5.1.2 롱테일의 영향력
7.5.2 상관관계를 통한 순위 평가
7.5.3 유용성을 통한 순위 평가
7.5.4 수신자 조작 특성을 통한 순위 평가
7.5.5 어떤 순위 측정 척도가 가장 좋은가?
7.6 평가 측정 척도의 한계
7.6.1 평가 조작 방지
7.7 요약
7.8 참고문헌
7.9 연습 문제


8장. 컨텍스트에 맞는 추천 시스템
8.1 개요
8.2 다차원 접근법
8.2.1 계층 구조의 중요성
8.3 컨텍스트 사전 필터링: 감소 기반 접근 방식
8.3.1 앙상블 기반 개선 사항
8.3.2 다단계 추정
8.4 사후 필터링 방법론
8.5 컨텍스트별 모델링
8.5.1 이웃 기반 방법
8.5.2 잠재 요인 모델
8.5.2.1 인수분해 머신
8.5.2.2 2차 인수분해 머신의 일반화
8.5.2.3 잠재 파라미터화의 다른 적용 사례
8.5.3 콘텐츠 기반 모델
8.6 요약
8.7 참고문헌
8.8 연습 문제


9장. 시간과 위치에 민감한 추천 시스템
9.1 개요
9.2 시간적 협업 필터링
9.2.1 최신성 기반 모델
9.2.1.1 감쇠 기반 방법
9.2.1.2 윈도우 기반 방법
9.2.2 주기적 컨텍스트 처리
9.2.2.1 사전 필터링과 사후 필터링
9.2.2.2 시간적 컨텍스트의 직접적인 포함
9.2.3 시간 함수로서의 평점 모델링
9.2.3.1 시간-SVD++ 모델
9.3 이산 시간 모델
9.3.1 마르코프 모델
9.3.1.1 선택적 마르코프 모델
9.3.1.2 다른 마르코프 대안
9.3.2 순차 패턴 마이닝
9.4 위치 인식 추천 시스템
9.4.1 선호 지역
9.4.2 여행 지역
9.4.3 선호도와 여행 위치 조합
9.5 요약
9.6 참고문헌
9.7 연습 문제


10장. 네트워크의 구조 추천
10.1 개요
10.2 순위 알고리듬
10.2.1 페이지랭크
10.2.2 개인화된 페이지랭크
10.2.3 이웃 기반 방법에 대한 응용
10.2.3.1 소셜 네트워크 추천
10.2.3.2 이종 소셜 미디어의 개인화
10.2.3.3 전통적인 협업 필터링
10.2.4 유사도랭크
10.2.5 검색과 추천의 관계
10.3 집단 분류에 의한 추천
10.3.1 반복 분류 알고리듬
10.3.2 랜덤 워크를 통한 레이블 전파
10.3.3 소셜 네트워크에서 협업 필터링에 대한 적용성
10.4 친구 추천: 링크 예측
10.4.1 이웃 기반 척도
10.4.2 카츠 척도
10.4.3 랜덤 워크 기반 척도
10.4.4 분류 문제로서의 링크 예측
10.4.5 링크 예측을 위한 행렬 인수분해
10.4.5.1 대칭 행렬 인수분해
10.4.6 링크 예측과 협업 필터링 간의 연결
10.4.6.1 협업 필터링에 링크 예측 알고리듬 사용
10.4.6.2 협업 필터링 알고리듬을 사용한 링크 예측
10.5 사회적 영향 분석 및 입소문 마케팅
10.5.1 선형 임계값 모델
10.5.2 독립 캐스케이드 모델
10.5.3 영향 함수 평가
10.5.4 소셜 스트림의 목표 영향 분석 모델
10.6 요약
10.7 참고문헌
10.8 연습 문제


11장. 사회와 신뢰 중심 추천 시스템
11.1 개요
11.2 사회적 맥락을 위한 다차원 모델
11.3 네트워크 중심과 신뢰 중심 방법론
11.3.1 신뢰 네트워크 구축을 위한 데이터 수집
11.3.2 신뢰 전파 및 집계
11.3.3 신뢰 전파가 없는 단순 추천 모델
11.3.4 TidalTrust 알고리듬
11.3.5 MoleTrust 알고리듬
11.3.6 TrustWalker 알고리듬
11.3.7 링크 예측 방법론
11.3.8 행렬 인수분해 방법론
11.3.8.1 로지스틱 함수의 개선
11.3.8.2 소셜 신뢰 성분의 변형
11.3.9 소셜 추천 시스템의 장점
11.3.9.1 논란의 여지가 있는 사용자와 아이템에 대한 추천
11.3.9.2 콜드 스타트의 유용성
11.3.9.3 공격 저항
11.4 소셜 추천 모델의 사용자 상호작용
11.4.1 포크소노미 표현하기
11.4.2 소셜 태깅 시스템의 협업 필터링
11.4.3 의미 있는 태그 선택
11.4.4 평점 행렬이 없는 소셜 태깅 추천 모델
11.4.4.1 컨텍스트 민감 시스템을 위한 다차원 방법론
11.4.4.2 순위 기반 방법론
11.4.4.3 콘텐츠 기반 방법론
11.4.5 평점 행렬을 사용한 소셜 태깅 추천 모델
11.4.5.1 이웃 기반 접근법
11.4.5.2 선형 회귀
11.4.5.3 행렬 인수분해
11.4.5.4 콘텐츠 기반 방법
11.5 요약
11.6 참고문헌
11.7 연습 문제


12장. 공격 방지 추천 시스템
12.1 개요
12.2 공격 모델의 트레이드 오프 이해
12.2.1 공격 영향 계량화
12.3 공격 유형
12.3.1 랜덤 공격
12.3.2 평균 공격
12.3.3 밴드 왜건 공격
12.3.4 인기 공격
12.3.5 사랑/증오 공격
12.3.6 역밴드 왜건 공격
12.3.7 탐지 공격
12.3.8 세그먼트 공격
12.3.9 기본 추천 알고리듬의 효과
12.4 추천 시스템에서 공격 탐지
12.4.1 개인 공격 프로파일 탐지
12.4.2 그룹 공격 프로파일 탐지
12.4.2.1 전처리 방법
12.4.2.2 온라인 방법
12.5 강력한 추천 디자인을 위한 전략
12.5.1 CAPTCHA를 사용한 자동 공격 방지
12.5.2 사회적 신뢰 사용
12.5.3 강력한 추천 알고리듬 설계
12.5.3.1 클러스터링을 이웃 방법에 통합
12.5.3.2 추천 시간 동안 가짜 프로파일 탐지
12.5.3.3 연관 기반 알고리듬
12.5.3.4 강건한 행렬 인수분해
12.6 요약
12.7 참고문헌
12.8 연습 문제


13장. 추천 시스템의 고급 주제
13.1 개요
13.2 순위학습
13.2.1 쌍별 순위학습
13.2.2 목록 순위학습
13.2.3 다른 도메인에서의 순위학습 방법과 비교
13.3 멀티암 밴딧 알고리듬
13.3.1 나이브 알고리듬
13.3.2 e-탐욕 알고리듬
13.3.3 상계(신뢰상한) 방법
13.4 그룹 추천 시스템
13.4.1 협업 및 콘텐츠 기반 시스템
13.4.2 지식 기반 시스템
13.5 다중 기준 추천 시스템
13.5.1 이웃 기반 방법
13.5.2 앙상블 기반 방법
13.5.3 전체 평점 없는 다중 기준 시스템
13.6 추천 시스템의 능동적 학습
13.6.1 이질성 기반 모델
13.6.2 성능 기반 모델
13.7 추천 시스템의 개인정보보호
13.7.1 응축 기반 개인정보보호
13.7.2 고차원 데이터에 대한 도전
13.8 흥미로운 응용 분야
13.8.1 포털 콘텐츠 개인화
13.8.1.1 동적 프로파일러
13.8.1.2 구글 뉴스 개인화
13.8.2 전산 광고 대 추천 시스템
13.8.2.1 멀티암 밴딧의 중요성
13.8.3 상호 추천 시스템
13.8.3.1 하이브리드 방법 활용
13.8.3.2 링크 예측 방법 활용
13.9 요약
13.10 참고문헌

저자소개

차루 아가르왈 [저] 신작알림 SMS신청
생년월일 -

뉴욕 요크타운 하이츠의 IBM T. J. 왓슨 리서치 센터의 뛰어난 연구 회원(DRSM)이다. 1993년에 IIT Kanpur에서 학사 학위를 받았고, 1996년에 MIT에서 박사 학위를 받았다. 데이터 마이닝 분야에서 폭넓게 일해왔고, 400개 이상의 논문을 콘퍼런스와 학술지에 발표했으며 80개 이상의 특허권이 있다. 데이터 마이닝에 관한 교과서, 특이치 분석에 관한 포괄적인 책을 포함한 15권의 책을 저술하거나 편집했다. 특허의 상업적 가치 덕분에 IBM에서 마스터 발명가로 세 번이나 지정됐다. 데이터 스트림의 생물 테러리스트 위협 탐지에 대한 연구로 IBM 기업상(2003)을 수상

펼쳐보기
박희원 [역] 신작알림 SMS신청
생년월일 -

통계학을 전공해 데이터분석가와 모델러로 일하면서 발전하는 데이터 기술을 활용한 Product를 만드는데 관심이 있다. KCB에서 신용평가모형을 개발하면서 본격적으로 AI/ML에 대한 관심이 생겼다. Naver Clova, Moloco를 거치며 기술이 우리에게 주는 이로움을 체감했고, Toss에서는 제품을 통해 고객이 겪고 있는 불편함을 비로소 해결하는 경험을 했다. 현재는 (주)이마트 Digital Transformation 본부에서 이마트 내 개인화를 총괄하고 있어 리테일(오프라인 소매업)에서 추천 알고리듬들을 적용한 제품과 마케팅 전략을 만들어내고 있다.

이진형 [역] 신작알림 SMS신청
생년월일 -

데이터에서 숨어있는 인사이트를 찾는 일을 좋아한다. 11번가에서 데이터 엔지니어와 데이터 사이언티스트 역할 사이에서 판매자와 구매자를 위한 개인화 추천 서비스를 제공하고 있으며, 데이터 파이프라인과 데이터 모델을 만들어 서비스에 적용하고 분석하는 일을 하고 있다.

이주희 [역] 신작알림 SMS신청
생년월일 -

암호학을 전공했고 국가수리과학연구소, 이화여자대학교 수리과학연구소에서 암호 알고리듬 개발과 분석을 수행했다. 실용적인 기술 개발에 직접 참여하고자 블록체인 연구소로 옮겨, 메인넷 알고리듬의 개발 프로젝트에 참여해 기술의 안전성 및 보안성 검증을 수행했다. 이후 딥러닝을 활용한 기술 개발을 위해 인공지능 분야에 관심을 갖게 됐고 인공지능 기술을 제어 분야에 접목한 지능제어 기술을 개발하는 (주)제이마플에 합류해 현재 연구소장을 맡고 있다.

컴퓨터/인터넷 분야에서 많은 회원이 구매한 책

    리뷰

    0.0 (총 0건)

    100자평

    작성시 유의사항

    평점
    0/100자
    등록하기

    100자평

    0.0
    (총 0건)

    판매자정보

    • 인터파크도서에 등록된 오픈마켓 상품은 그 내용과 책임이 모두 판매자에게 있으며, 인터파크도서는 해당 상품과 내용에 대해 책임지지 않습니다.

    상호

    (주)교보문고

    대표자명

    안병현

    사업자등록번호

    102-81-11670

    연락처

    1544-1900

    전자우편주소

    callcenter@kyobobook.co.kr

    통신판매업신고번호

    01-0653

    영업소재지

    서울특별시 종로구 종로 1(종로1가,교보빌딩)

    교환/환불

    반품/교환 방법

    ‘마이페이지 > 취소/반품/교환/환불’ 에서 신청 또는 1:1 문의 게시판 및 고객센터(1577-2555)에서 신청 가능

    반품/교환가능 기간

    변심 반품의 경우 출고완료 후 6일(영업일 기준) 이내까지만 가능
    단, 상품의 결함 및 계약내용과 다를 경우 문제점 발견 후 30일 이내

    반품/교환 비용

    변심 혹은 구매착오로 인한 반품/교환은 반송료 고객 부담
    상품이나 서비스 자체의 하자로 인한 교환/반품은 반송료 판매자 부담

    반품/교환 불가 사유

    ·소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우
    (단지 확인을 위한 포장 훼손은 제외)

    ·소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
    예) 화장품, 식품, 가전제품(악세서리 포함) 등

    ·복제가 가능한 상품 등의 포장을 훼손한 경우
    예) 음반/DVD/비디오, 소프트웨어, 만화책, 잡지, 영상 화보집

    ·시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우

    ·전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우

    상품 품절

    공급사(출판사) 재고 사정에 의해 품절/지연될 수 있음

    소비자 피해보상
    환불지연에 따른 배상

    ·상품의 불량에 의한 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결 기준 (공정거래위원회 고시)에 준하여 처리됨

    ·대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리함

    (주) 인터파크 안전결제시스템 (에스크로) 안내

    (주)인터파크의 모든 상품은 판매자 및 결제 수단의 구분없이 회원님들의 구매안전을 위해 안전결제 시스템을 도입하여 서비스하고 있습니다.
    결제대금 예치업 등록 : 02-006-00064 서비스 가입사실 확인

    배송안내

    • 교보문고 상품은 택배로 배송되며, 출고완료 1~2일내 상품을 받아 보실 수 있습니다.

    • 출고가능 시간이 서로 다른 상품을 함께 주문할 경우 출고가능 시간이 가장 긴 상품을 기준으로 배송됩니다.

    • 군부대, 교도소 등 특정기관은 우체국 택배만 배송가능합니다.

    • 배송비는 업체 배송비 정책에 따릅니다.

    • - 도서 구매 시, 1만 원 이상 무료, 1만원 미만 2천 원 - 상품별 배송비가 있는 경우, 상품별 배송비 정책 적용