º»¹®³»¿ë ¹Ù·Î°¡±â
MDÀǼ±Åà ¹«·á¹è¼Û À̺¥Æ® ¼Òµæ°øÁ¦

ÄÄÇ»ÅÍ ºñÀü°ú µö·¯´× ÅÙ¼­ÇÃ·Î¿Í Äɶ󽺸¦ »ç¿ëÇÑ Àü¹® °¡À̵å

¶óÀ𸵰¡ÆÄ ¼¢¹«°¼¸¶´Ï ÁöÀ½ | ¿¡ÀÌÄÜÃâÆÇ | 2018³â 08¿ù 31ÀÏ Ãâ°£
Ŭ·Î¹ö ¸®ºä¾²±â
  • Á¤°¡ : 30,000¿ø
    ÆÇ¸Å°¡ : 27,000¿ø [10%¡é 3,000¿ø ÇÒÀÎ]
  • ÅëÇÕÆ÷ÀÎÆ® :
    [±âº»Àû¸³] 1,500¿ø Àû¸³ [5% Àû¸³] [Ãß°¡Àû¸³] 5¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã 2õ¿ø Ãß°¡Àû¸³ ¾È³» [ȸ¿øÇýÅÃ] ½Ç¹öµî±Þ ÀÌ»ó, 3¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã 2~4% Ãß°¡Àû¸³ ¾È³»
  • Ãß°¡ÇýÅà : Æ÷ÀÎÆ® ¾È³» µµ¼­¼Òµæ°øÁ¦ ¾È³» Ãß°¡ÇýÅà ´õº¸±â
  • ¹è¼Ûºñ : ¹«·á ¹è¼Ûºñ ¾È³»
  • ¹è¼ÛÀÏÁ¤ : ¼­¿ïƯº°½Ã Á¾·Î±¸ ¼¼Á¾´ë·Î ±âÁØ Áö¿ªº¯°æ
    Áö±Ý ÁÖ¹®ÇÏ¸é ³»ÀÏ(29ÀÏ,±Ý) µµÂø ¿¹Á¤ ¹è¼ÛÀÏÁ¤ ¾È³»
  • ¹Ù·Îµå¸² : ÀÎÅͳÝÀ¸·Î ÁÖ¹®ÇÏ°í ¸ÅÀå¿¡¼­ Á÷Á¢ ¼ö·É ¾È³» ¹Ù·Îµå¸² ÇýÅÃ
    ÈÞÀÏ¿¡´Â ¹Ù·Îµå¸² ÇȾ÷À¸·Î ´õ »¡¸® ¹Þ¾Æ º¸¼¼¿ä. ¹Ù·Îµå¸² ÇýÅùްí ÀÌ¿ëÇϱâ

ÀÌ Ã¥ÀÇ À̺¥Æ® ÇØ¿ÜÁÖ¹®/¹Ù·Îµå¸²/Á¦ÈÞ»çÁÖ¹®/¾÷ü¹è¼Û°ÇÀÇ °æ¿ì 1+1 ÁõÁ¤»óǰÀÌ ¹ß¼ÛµÇÁö ¾Ê½À´Ï´Ù.

  • Ã¥À» ÅëÇØ ¼ºÀåÇØ³ª°¡´Â °³¹ßÀÚ¸¦ ÀÀ¿øÇÕ´Ï´Ù.
    2017.06.22 ~ 2025.07.31
  • MANNING, O'REILLY, PACKT, WILE..
    2016.03.07 ~ 2021.12.31
»óǰ»ó¼¼Á¤º¸
ISBN 9791161752006(1161752005)
Âʼö 344ÂÊ
Å©±â 190 * 236 * 19 mm /769g ÆÇÇü¾Ë¸²
ÀÌ Ã¥ÀÇ ¿ø¼­/¹ø¿ª¼­ Deep Learning for Computer Vision: Expert techniques to train advanced neural networks using TensorF / Shanmugamani, Rajalingappaa

Ã¥¼Ò°³

ÀÌ Ã¥ÀÌ ¼ÓÇÑ ºÐ¾ß

µö·¯´×Àº Àΰø Áö´É¿¡ Çõ¸íÀ» ÀÏÀ¸Å°°í ÀÖÀ¸¸ç ¾ÕÀ¸·Î ¼ö½Ê ³â µ¿¾È °­·ÄÇÏ°Ô ¼¼»óÀ» ¹Ù²Ü ±â¼úÀÌ´Ù. ½ÉÃþ ÇнÀÀ» ±â¹ÝÀ¸·Î ÇÑ Àΰø Áö´ÉÀº »ê¾÷Çõ¸í°ú ºñ½ÁÇÑ ¼öÁØÀÇ ¿µÇâÀ» ¹ÌÄ¥ ¼ö ÀÖ´Ù.
µö·¯´×Àº Çö½Ç»ó¿¡¼­´Â »ê¾÷ Çõ¸í°ú ±â°è¿Í ¸¶Âù°¡Áö·Î »ê¾÷ »ý»ê¼ºÀ» Çâ»ó½ÃŰ°í ¸¹Àº ÀηùÀÇ »ýȰ ¼öÁØÀ» ³ô¿©ÁÙ °ÍÀÌ´Ù.
ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇØ È°¿ëµÉ ¼ö ÀÖ´Â µö·¯´×¿¡ ´ëÇÑ ±âº» Áö½ÄµéÀ» ÆÄ¾ÇÇÏ°Ô µÇ°í, µö·¯´×ÀÇ °­·ÂÇÑ Èû°ú ¸¹Àº ¾ÖÇø®ÄÉÀ̼ÇÀ» Áö¿øÇϱâ À§ÇÑ ³»¿ë¿¡ ´ëÇØ¼­ ¾Ë°Ô µÉ °ÍÀÌ´Ù.

»ó¼¼À̹ÌÁö

ÄÄÇ»ÅÍ ºñÀü°ú µö·¯´× µµ¼­ »ó¼¼À̹ÌÁö

ÀÛ°¡ÀÇ ¸»

´Ù¾çÇÑ ¾ÖÇø®ÄÉÀÌ¼Ç ÇÁ·Î±×·¥À» À§ÇÑ ÄÄÇ»ÅÍ ºñÀü ±â¼úÀ» ¹è¿ì°í ½Í¾î ÇÏ´Â µ¶ÀÚ¸¦ ´ë»óÀ¸·Î Çϸç, µ¶ÀÚ¿¡°Ô ÄÄÇ»ÅÍ ºñÀü ±â¹Ý Á¦Ç°À» °³¹ßÇÒ ¼ö ÀÖ´Â µµ±¸¿Í ±â¼úÀ» Á¦°øÇÑ´Ù. ½Ç¿ëÀûÀÎ ¿¹Á¦µéÀ» ÅëÇØ ºñÀü °ü·Ã ÀÌ·ÐÀ» È®ÀÎÇÒ ¼ö ÀÖ´Ù.

¸ñÂ÷

1Àå. ½ÃÀÛÇϱâ
µö·¯´× ÀÌÇØÇϱâ
ÆÛ¼ÁÆ®·Ð
Ȱ¼ºÈ­ ÇÔ¼ö
Àΰø ½Å°æ¸Á
¿ø-ÇÖ ÀÎÄÚµù
½Å°æ¸Á ÇнÀ
ÅÙ¼­Ç÷ΠÇ÷¹À̱׶ó¿îµå »ìÆìº¸±â
ÄÁº¼·ç¼Ç ½Å°æ¸Á
¼øÈ¯ ½Å°æ¸Á
LSTM
ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇÑ µö·¯´×
ºÐ·ù
°ËÃâ ¶Ç´Â ·ÎÄöóÀÌÁ¦ÀÌ¼Ç ¹× ºÐÇÒ
À¯»çµµ ÇнÀ
À̹ÌÁö ĸ¼Å´×
»ý¼º ¸ðµ¨
µ¿¿µ»ó ºÐ¼®
°³¹ß ȯ°æ ¼³Á¤Çϱâ
Çϵå¿þ¾î ¹× ¿î¿µÃ¼Á¦
¼ÒÇÁÆ®¿þ¾î ÆÐŰÁö ¼³Ä¡Çϱâ
¿ä¾à

2Àå. À̹ÌÁö ºÐ·ù
ÅÙ¼­Ç÷ο¡¼­ MNIST ¸ðµ¨ ÈÆ·ÃÇϱâ
MNIST µ¥ÀÌÅͼÂ
MNIST µ¥ÀÌÅÍ ·ÎµåÇϱâ
ÆÛ¼ÁÆ®·Ð ±¸ÃàÇϱâ
´ÙÁß ·¹À̾î ÄÁº¼·ç¼Ç ½Å°æ¸Á ±¸ÃàÇϱâ
Äɶ󽺿¡¼­ MNIST ¸ðµ¨ ÈÆ·Ã½Ã۱â
µ¥ÀÌÅͼ ÁغñÇϱâ
¸ðµ¨ ±¸ÃàÇϱâ
±× ¿Ü ÀϹÝÀûÀ¸·Î »ç¿ëµÇ´Â À̹ÌÁö Å×½ºÆ® µ¥ÀÌÅͼÂ
CIFAR µ¥ÀÌÅͼÂ
ÆÐ¼Ç-MNIST µ¥ÀÌÅͼÂ
ImageNet µ¥ÀÌÅͼ ¹× ´ëȸ
´õ ±íÀº µö·¯´× ¸ðµ¨
AlexNet ¸ðµ¨
VGG-16 ¸ðµ¨
±¸±Û ÀμÁ¼Ç-V3 ¸ðµ¨
¸¶ÀÌÅ©·Î¼ÒÇÁÆ® ResNet-50 ¸ðµ¨
SqueezeNet ¸ðµ¨
°ø°£ º¯È¯ ³×Æ®¿öÅ©
DenseNet ¸ðµ¨
°³¿Í °í¾çÀ̸¦ ¿¹ÃøÇÏ´Â ¸ðµ¨ ÈÆ·Ã½Ã۱â
µ¥ÀÌÅÍ ÁغñÇϱâ
°£´ÜÇÑ CNNÀ¸·Î º¥Ä¡¸¶Å·Çϱâ
µ¥ÀÌÅͼ ȮÀåÇϱâ
¸ðµ¨ÀÇ ÀüÀÌ ÇнÀ ¶Ç´Â ¹Ì¼¼ Á¶Á¤
µö·¯´×ÀÇ ¿©·¯ ·¹ÀÌ¾î ÆÄÀÎ Æ©´×Çϱâ
½ÇÁ¦ ¾ÖÇø®ÄÉÀÌ¼Ç °³¹ßÇϱâ
¿Ã¹Ù¸¥ ¸ðµ¨ ¼±ÅÃÇϱâ
¾ð´õÇÇÆÃ ¹× ¿À¹öÇÇÆÃ ½Ã³ª¸®¿À ÇØ°áÇϱâ
¾ó±¼¿¡¼­ ¼ºº°°ú ³ªÀÌ °ËÃâÇϱâ
ÀÇ·ù ¸ðµ¨ ¹Ì¼¼ Á¶Á¤Çϱâ
ºê·£µå ¾ÈÁ¤¼º
¿ä¾à

3Àå. À̹ÌÁö °Ë»ö
½Ã°¢Àû Ư¡ÀÇ ÀÌÇØ
µö·¯´× ¸ðµ¨ Ȱ¼ºÈ­ÀÇ ½Ã°¢È­
ÀÓº£µù ½Ã°¢È­
DeepDream
Àû´ëÀûÀÎ »ç·Ê
¸ðµ¨ Ãß·Ð
¸ðµ¨ ³»º¸³»±â
ÈÆ·ÃµÈ ¸ðµ¨ »ç¿ë
ÄÜÅÙÃ÷ ±â¹Ý À̹ÌÁö °Ë»ö
°Ë»ö ÆÄÀÌÇÁ¶óÀÎ ±¸Ãà
È¿À²Àû °Ë»ö
ANNOY¸¦ »ç¿ëÇÑ ¸ÅĪ °¡¼ÓÈ­
Raw À̹ÌÁö ÀÚµ¿ ÀÎÄÚ´õ
ÀÚµ¿ ÀÎÄÚ´õ¸¦ »ç¿ëÇÑ ³ëÀÌÁî Á¦°Å
¿ä¾à

4Àå. °´Ã¼ °ËÃâ
À̹ÌÁö¿¡¼­ÀÇ °´Ã¼ °ËÃâ
µ¥ÀÌÅͼ Ž»öÇϱâ
ImageNet µ¥ÀÌÅͼÂ
ÆÄ½ºÄ® VOC 縰Áö
COCO °´Ã¼ °ËÃâ 縰Áö
ÃøÁ¤ Ç׸ñÀ» »ç¿ëÇØ µ¥ÀÌÅÍ ÁýÇÕ Æò°¡Çϱâ
¾Ë°í¸®Áò ·ÎÄöóÀÌÁ¦À̼ÇÇϱâ
½½¶óÀ̵ù À©µµ¿ì¸¦ »ç¿ëÇØ °´Ã¼ ·ÎÄöóÀÌÁ¦À̼ÇÇϱâ
·ÎÄöóÀÌÁ¦À̼ÇÀ» ȸ±Í ¹®Á¦·Î »ý°¢Çغ¸±â
°´Ã¼ °ËÃâ
R-CNN
Fast R-CNN
Faster R-CNN
½Ì±Û ¼¦ ´ÙÁß ¹Ú½º °ËÃâ±â
°´Ã¼ °ËÃâ API
¼³Ä¡ ¹× ¼³Á¤
»çÀü ÈÆ·ÃµÈ ¸ðµ¨
°´Ã¼ °ËÃ⠸𵨠ÀçÈÆ·Ã
ÀÚÀ²ÁÖÇà¿ë º¸ÇàÀÚ °ËÃâ ÈÆ·Ã
YOLO °´Ã¼ °ËÃâ ¾Ë°í¸®Áò
¿ä¾à

5Àå. ½Ã¸Çƽ ºÐÇÒ
Çȼ¿ ¿¹Ãø
ÀÇ·á À̹ÌÁö Áø´Ü
À§¼º À̹ÌÁö¸¦ »ç¿ëÇØ Áö±¸¸¦ »ìÆìº¸±â
·Îº¿ÀÌ º¼ ¼ö ÀÖµµ·Ï Çã¿ëÇϱâ
µ¥ÀÌÅͼÂ
½Ã¸Çƽ ºÐÇÒÀ» À§ÇÑ ¾Ë°í¸®Áò
¿ÏÀü ÄÁº¼·ç¼Ç ³×Æ®¿öÅ©
SegNet ¾ÆÅ°ÅØÃ³
È®Àå ÄÁº¼·ç¼Ç
DeepLab
RefiNet
PSPnet
´ëÇü Ä¿³ÎÀÇ ¹®Á¦
DeepLab v3
¿ïÆ®¶ó-½Å°æ ºÐÇÒ
À§¼º À̹ÌÁö ºÐÇÒ
ºÐÇÒÀ» À§ÇÑ FCN ¸ðµ¨¸µ
ÀνºÅϽº ºÐÇÒ
¿ä¾à

6Àå. À¯»çµµ ÇнÀ
À¯»çµµ ÇнÀÀ» À§ÇÑ ¾Ë°í¸®Áò
¼¤ ³×Æ®¿öÅ©
FaceNet
DeepNet ¸ðµ¨
DeepRank
½Ã°¢Àû Ãßõ ½Ã½ºÅÛ
Àΰ£ ¾ó±¼ ºÐ¼®
¾ó±¼ °ËÃâ
¾ó±¼ Ç¥½Ä ¹× ¼Ó¼º(attribute)
ij±Û ŰÆ÷ÀÎÆ® µ¥ÀÌÅͼÂ
¾ó±¼ ÀνÄ
¾ó±¼ Ŭ·¯½ºÅ͸µ
¿ä¾à

7Àå. À̹ÌÁö ĸ¼Ç ó¸®
¹®Á¦ ¹× µ¥ÀÌÅͼ ÀÌÇØÇϱâ
À̹ÌÁö ĸ¼ÇÀ» À§ÇÑ ÀÚ¿¬¾î ó¸® ÀÌÇØ
º¤ÅÍ ÇüÅ·Π´Ü¾î Ç¥ÇöÇϱâ
´Ü¾î¸¦ º¤ÅÍ·Î º¯È¯
ÀÓº£µù ÈÆ·Ã
À̹ÌÁö ĸ¼Ç ¹× °ü·Ã ¹®Á¦¿¡ ´ëÇÑ Á¢±Ù ¹æ¹ý
Á¶°ÇºÎ ·£´ý Çʵ带 »ç¿ëÇØ À̹ÌÁö¿Í ÅØ½ºÆ® ¿¬°áÇϱâ
CNN ±â´É¿¡¼­ RNNÀ» »ç¿ëÇØ ÀÚ¸· »ý¼º
À̹ÌÁö ¼øÀ§¸¦ »ç¿ëÇØ ÀÚ¸· ¸¸µé±â
À̹ÌÁö¿Í À̹ÌÁö¿¡¼­ ĸ¼Ç °¡Á®¿À±â
¹ÐÁý ĸ¼Ç
ĸ¼Ç¿¡ RNN »ç¿ëÇϱâ
´ÙÁß ¸ð´Þ ÃøÁ¤ Ç׸ñ °ø°£ »ç¿ëÇϱâ
ĸ¼Ç ÀÛ¼º ½Ã °ü½É ³×Æ®¿öÅ© »ç¿ëÇϱâ
¾ðÁ¦ »ìÆìºÁ¾ß ÇÒÁö ÆÄ¾ÇÇϱâ
°ü½É ±â¹Ý À̹ÌÁö ĸ¼Ç ¹æ¹ý ±¸ÇöÇϱâ
¿ä¾à

8Àå. »ý¼º ¸ðµ¨
»ý¼º ¸ðµ¨ÀÇ ¾ÖÇø®ÄÉÀ̼Ç
¿¹¼úÀû ½ºÅ¸ÀÏ ÀÌÀü ¹æ¹ý
µ¿¿µ»óÀÇ ´ÙÀ½ ÇÁ·¹ÀÓ ¿¹Ãø ¹æ¹ý
½´ÆÛ ÇØ»óµµ À̹ÌÁö
´ëÈ­Çü À̹ÌÁö »ý¼ºÇϱâ
À̹ÌÁö¸¦ À̹ÌÁö·Î º¯È¯Çϱâ
ÅØ½ºÆ®·Î À̹ÌÁö »ý¼ºÇϱâ
ºÒÇÊ¿ä Á¦°Å
ºí·»µù
¼Ó¼º º¯È¯Çϱâ
ÈÆ·Ã µ¥ÀÌÅÍ »ý¼º
»õ ¾Ö´Ï¸ÞÀÌ¼Ç Ä³¸¯ÅÍ ¸¸µé±â
»çÁøÀ¸·ÎºÎÅÍ 3D ¸ðµ¨ »ý¼º
½Å°æ ¿¹¼ú ½ºÅ¸ÀÏ Àü¼Û
ÄÜÅÙÃ÷ ¼Õ½Ç
±×·¥ ¸ÅÆ®¸¯½º¸¦ »ç¿ëÇÑ ½ºÅ¸ÀÏ ¼Õ½Ç
½ºÅ¸ÀÏ Àü¼Û
GAN
¹Ù´Ò¶ó GAN
Á¶°ÇºÎ GAN
Àû´ëÀû ¼Õ½Ç
À̹ÌÁö º¯È¯
InfoGAN
GANÀÇ ´ÜÁ¡
VDM
VDM ¾Ë°í¸®Áò
¿ä¾à

9Àå. µ¿¿µ»ó ºÐ·ù
µ¿¿µ»óÀÇ ÀÌÇØ ¹× ºÐ·ù
µ¿¿µ»ó ºÐ·ù µ¥ÀÌÅͼ Ž»ö
µ¿¿µ»óÀ» ÇÁ·¹ÀÓÀ¸·Î ºÐÇÒÇϱâ
µ¿¿µ»ó ºÐ·ù Á¢±Ù¹ý
µ¿¿µ»ó¿¡ ´ëÇÑ À̹ÌÁö ±â¹Ý Á¢±Ù¹ý È®Àå
»ç¶÷ÀÇ Æ÷Áîµµ Àû¿ëÇϱâ
µ¿¿µ»ó ºÐÇÒ
µ¿¿µ»ó ĸ¼Ç
µ¿¿µ»ó »ý¼º
¿ä¾à

10Àå. ¹èÆ÷
¸ðµ¨ ¼º´É
¸ðµ¨ ¾çÀÚÈ­
MobileNets
Ŭ¶ó¿ìµå¿¡¼­ ¹èÆ÷Çϱâ
AWS
±¸±Û Ŭ¶ó¿ìµå Ç÷§Æû
ÀåÄ¡¿¡ ¸ðµ¨ ¹èÆ÷Çϱâ
Jetson TX2
¾Èµå·ÎÀ̵å
¾ÆÀÌÆù
¿ä

̵̧ȍ

½ºÆ¼ºì ¹«¾î(½Ì°¡ÆúÀ̸ð¼Ç¸®´õÃÖ°í±â¼úÃ¥ÀÓÀÚ)

µö·¯´×Àº ÀΰøÁö´É¿¡ Çõ¸íÀ» ÀÏÀ¸Å°°í ÀÖÀ¸¸ç, ¾ÕÀ¸·Î ¼ö½Ê ³â µ¿¾È °­·ÄÇÏ°Ô ¼¼»óÀ» ¹Ù²Ü ±â¼úÀÌ´Ù. ½ÉÃþ ÇнÀÀ» ±â¹ÝÀ¸·Î ÇÑ ÀΰøÁö´ÉÀº »ê¾÷Çõ¸í°ú ºñ½ÁÇÑ ¼öÁØÀÇ ¿µÇâÀ» ¹ÌÄ¥ ¼ö ÀÖ´Ù.
µö·¯´×Àº ¹Ì·¡¿¡ ´ëÇÑ ÈïºÐ°ú ´õºÒ¾î µÎ·Á... ´õº¸±â

ÃâÆÇ»ç ¼­Æò

¡Ú ÀÌ Ã¥ÀÇ ±¸¼º ¡Ú

1Àå. ¡®½ÃÀÛÇϱ⡯¿¡¼­´Â µö·¯´×ÀÇ ±âÃʸ¦ ¼Ò°³Çϸç, Ãʺ¸ÀÚ´Â ¾îÈÖ¿¡ Àͼ÷ÇØÁú ½Ã°£À» °®°Ô µÈ´Ù. ÀÌÈÄ ÀåÀ» ¼öÇàÇÏ´Â µ¥ ÇÊ¿äÇÑ ¼ÒÇÁÆ®¿þ¾î ÆÐŰÁö ¼³Ä¡¿¡ ´ëÇÑ ³»¿ëµµ ´Ù·é´Ù .
2Àå. ¡®À̹ÌÁö ºÐ·ù¡¯¿¡¼­´Â À̹ÌÁö Àüü¿¡ ·¹À̺íÀ» ºÙÀÌ´Â À̹ÌÁö ºÐ·ù ¹®Á¦¸¦ ¼³¸íÇÑ´Ù. À̹ÌÁö ºÐ·ù ±â¼ú¿¡ ´ëÇØ ¹è¿ì°í ¾Ö¿Ïµ¿¹° ºÐ·ù¿¡ ´ëÇÑ µö·¯´× ¸ðµ¨À» ÈÆ·ÃÇÒ ¼ö ÀÖ´Ù. ¶ÇÇÑ Á¤È®µµ¸¦ ³ôÀÌ°í ´Ù¾çÇÑ °í±Þ ¾ÆÅ°ÅØÃ³¿¡ ´ëÇÑ ½Éµµ ÀÖ´Â ³»¿ëÀ» ¹è¿ì°Ô µÈ´Ù.
3Àå. ¡®À̹ÌÁö °Ë»ö¡¯¿¡¼­´Â ½ÉÃþ Ư¡(deep feature)°ú À̹ÌÁö ... ´õº¸±â

Klover ¸®ºä (0)

ºÏ·Î±× ¸®ºä (0) ¾²·¯°¡±â

µµ¼­ ±¸¸Å ÈÄ ¸®ºä¸¦ ÀÛ¼ºÇϽøé
°áÁ¦ 90ÀÏ À̳» 300¿ø, ¹ß¼Û ÈÄ 5ÀÏ À̳» 400¿ø, ÀÌ »óǰÀÇ Ã¹ ¸®ºä 500¿øÀÇ Æ÷ÀÎÆ®¸¦ µå¸³´Ï´Ù.

Æ÷ÀÎÆ®´Â ÀÛ¼º ÈÄ ´ÙÀ½ ³¯ Àû¸³µÇ¸ç, µµ¼­ ¹ß¼Û Àü ÀÛ¼º ½Ã¿¡´Â ¹ß¼Û ÈÄ ÀÍÀÏ¿¡ Àû¸³µË´Ï´Ù.
ºÏ·Î±× ¸®ºä´Â º»ÀÎÀÎÁõÀ» °ÅÄ£ ȸ¿ø¸¸ ÀÛ¼º °¡´ÉÇÕ´Ï´Ù.
(¡Ø ¿Ü¼­/eBook/À½¹Ý/DVD/GIFT ¹× ÀâÁö »óǰ Á¦¿Ü) ¾È³»
  • ÇØ´çµµ¼­ÀÇ ¸®ºä°¡ ¾ø½À´Ï´Ù.

¹®Àå¼öÁý (0) ¹®Àå¼öÁý ¾²±â ³ªÀÇ µ¶¼­±â·Ï º¸±â
※±¸¸Åµµ¼­ÀÇ ¹®Àå¼öÁýÀ» ±â·ÏÇϸé ÅëÇÕÆ÷ÀÎÆ® Àû¸³ ¾È³»

±³È¯/¹Ýǰ/ǰÀý¾È³»

¡Ø »óǰ ¼³¸í¿¡ ¹Ýǰ/±³È¯ °ü·ÃÇÑ ¾È³»°¡ ÀÖ´Â °æ¿ì ±× ³»¿ëÀ» ¿ì¼±À¸·Î ÇÕ´Ï´Ù. (¾÷ü »çÁ¤¿¡ µû¶ó ´Þ¶óÁú ¼ö ÀÖ½À´Ï´Ù.)

±³È¯/¹Ýǰ/ǰÀý¾È³»
¹Ýǰ/±³È¯¹æ¹ý ¸¶ÀÌ·ë > ÁÖ¹®°ü¸® > ÁÖ¹®/¹è¼Û³»¿ª > ÁÖ¹®Á¶È¸ > ¹Ýǰ/±³È¯½Åû ,
[1:1»ó´ã>¹Ýǰ/±³È¯/ȯºÒ] ¶Ç´Â °í°´¼¾ÅÍ (1544-1900)

¡Ø ¿ÀǸ¶ÄÏ, ÇØ¿Ü¹è¼ÛÁÖ¹®, ±âÇÁÆ® ÁÖ¹®½Ã [1:1»ó´ã>¹Ýǰ/±³È¯/ȯºÒ]
    ¶Ç´Â °í°´¼¾ÅÍ (1544-1900)
¹Ýǰ/±³È¯°¡´É ±â°£ º¯½É¹ÝǰÀÇ °æ¿ì ¼ö·É ÈÄ 7ÀÏ À̳»,
»óǰÀÇ °áÇÔ ¹× °è¾à³»¿ë°ú ´Ù¸¦ °æ¿ì ¹®Á¦Á¡ ¹ß°ß ÈÄ 30ÀÏ À̳»
¹Ýǰ/±³È¯ºñ¿ë º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹Ýǰ/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã
¹Ýǰ/±³È¯ ºÒ°¡ »çÀ¯
  • ¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óǰ µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
    (´ÜÁö È®ÀÎÀ» À§ÇÑ Æ÷Àå ÈѼÕÀº Á¦¿Ü)
  • ¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óǰ µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
    ¿¹) È­Àåǰ, ½Äǰ, °¡ÀüÁ¦Ç°(¾Ç¼¼¼­¸® Æ÷ÇÔ) µî
  • º¹Á¦°¡ °¡´ÉÇÑ »óǰ µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì
    ¿¹) À½¹Ý/DVD/ºñµð¿À, ¼ÒÇÁÆ®¿þ¾î, ¸¸È­Ã¥, ÀâÁö, ¿µ»ó È­º¸Áý
  • ¼ÒºñÀÚÀÇ ¿äû¿¡ µû¶ó °³º°ÀûÀ¸·Î ÁÖ¹® Á¦À۵Ǵ »óǰÀÇ °æ¿ì ((1)ÇØ¿ÜÁÖ¹®µµ¼­)
  • µðÁöÅÐ ÄÁÅÙÃ÷ÀÎ eBook, ¿Àµð¿ÀºÏ µîÀ» 1ȸ ÀÌ»ó ´Ù¿î·Îµå¸¦ ¹Þ¾ÒÀ» °æ¿ì
  • ½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆÇ¸Å°¡ °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
(1) ÇØ¿ÜÁÖ¹®µµ¼­ : ÀÌ¿ëÀÚÀÇ ¿äû¿¡ ÀÇÇÑ °³ÀÎÁÖ¹®»óǰÀ¸·Î ´Ü¼øº¯½É ¹× Âø¿À·Î ÀÎÇÑ Ãë¼Ò/±³È¯/¹Ýǰ ½Ã ¡®ÇØ¿ÜÁÖ¹® ¹Ýǰ/Ãë¼Ò ¼ö¼ö·á¡¯ °í°´ ºÎ´ã (ÇØ¿ÜÁÖ¹® ¹Ýǰ/Ãë¼Ò ¼ö¼ö·á : ¨ç¼­¾çµµ¼­-ÆÇ¸ÅÁ¤°¡ÀÇ 12%, ¨èÀϺ»µµ¼­-ÆÇ¸ÅÁ¤°¡ÀÇ 7%¸¦ Àû¿ë)
»óǰ ǰÀý °ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ ǰÀý/Áö¿¬µÉ ¼ö ÀÖÀ¸¸ç, ǰÀý ½Ã °ü·Ã »çÇ׿¡ ´ëÇØ¼­´Â
À̸ÞÀϰú ¹®ÀÚ·Î ¾È³»µå¸®°Ú½À´Ï´Ù.
¼ÒºñÀÚ ÇÇÇØº¸»ó
ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó
  • »óǰÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, ǰÁúº¸Áõ ¹× ÇÇÇØº¸»ó µî¿¡ °üÇÑ »çÇ×Àº
    ¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øÈ¸ °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

ÀÌ Ã¥ÀÇ ¿ø¼­/¹ø¿ª¼­

¾È³»

¹Ù·Î°¡±â

  • ¿ìÃø È®ÀåÇü ¹è³Ê 2
  • ¿ìÃø È®ÀåÇü ¹è³Ê 2

ÃÖ±Ù º» »óǰ