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

ÆÄÀ̽㠶óÀ̺귯¸®¸¦ Ȱ¿ëÇÑ µ¥ÀÌÅÍ ºÐ¼® ¿µÈ­ ÆòÁ¡, À̸§Åë°è, ¼±°Å µ¥ÀÌÅÍ µî ½Ç»ç·Ê »ç¿ë

2ÆÇ
¿þ½º ¸ÆÅ°´Ï ÁöÀ½ | ±è¿µ±Ù ¿Å±è | ÇѺû¹Ìµð¾î | 2019³â 05¿ù 20ÀÏ Ãâ°£
| 5Á¡ ¸¸Á¡¿¡ 0Á¡ ¸®ºä 0°³ ¸®ºä¾²±â

ÀÌ Ã¥ÀÇ ´Ù¸¥ »óǰ Á¤º¸

  • Á¤°¡ : 35,000¿ø
    ÆÇ¸Å°¡ : 31,500¿ø [10%¡é 3,500¿ø ÇÒÀÎ]
  • ÅëÇÕÆ÷ÀÎÆ® :
    [±âº»Àû¸³] 1,750¿ø Àû¸³ [5% Àû¸³] ¾È³» [Ãß°¡Àû¸³] 5¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã 2õ¿ø Ãß°¡Àû¸³ [ȸ¿øÇýÅÃ] ¿ì¼öȸ¿ø 3¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã 2~4% Ãß°¡Àû¸³
  • Ãß°¡ÇýÅà : Æ÷ÀÎÆ® ¾È³» µµ¼­¼Òµæ°øÁ¦ ¾È³» Ãß°¡ÇýÅà ´õº¸±â
  • ¹è¼Ûºñ : ¹«·á ¹è¼Ûºñ ¾È³»
  • °³Á¤Á¤º¸ : ÀÌ µµ¼­´Â °¡Àå ÃÖ±Ù¿¡ Ãâ°£µÈ °³Á¤ÆÇÀÔ´Ï´Ù. 2013³â 10¿ù Ãâ°£µÈ ±¸ÆÇÀÌ ÀÖ½À´Ï´Ù. ±¸ÆÇ º¸±â
  • ¹è¼ÛÀÏÁ¤ : ¼­¿ïƯº°½Ã Á¾·Î±¸ ¼¼Á¾´ë·Î ±âÁØ Áö¿ªº¯°æ
    12¿ù 16ÀÏ Ãâ°í ¿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.

  • ITÀü¹®¼­ ¿ÃÇØÀÇ Ã¥ Èĺ¸ ¹ßÇ¥! Áö±Ý ÅõÇ¥ÇØÁÖ¼¼¿ä!
    2019.12.13 ~ 2020.01.31
  • Çà»çµµ¼­ Æ÷ÇÔ IT ºÐ¾ß 3¸¸¿ø ÀÌ»ó ±¸¸Å½Ã °³¹ßÀÚ ÅÒºí·¯Æ¼½´ ..
    2019.11.05 ~ 2019.12.31
  • ÇѺû¹Ìµð¾î IT ºÐ¾ß 3¸¸¿ø ÀÌ»ó ±¸¸Å ½Ã, ¿ìµåUSB ¼±Âø¼ø ..
    2019.12.09 ~ 2020.01.31
  • »õ·Î ³ª¿Â O'Reilly ¹ø¿ª¼­¸¦ È®ÀÎÇØº¸¼¼¿ä!
    2019.06.14 ~ 2020.12.31
  • °³¹ßÀÚ·Î ÀÔ¹®Çϱâ: ÀÏ´Ü À̰ͺÎÅÍ ÀоÀÚ!
    2019.05.31 ~ 2020.12.31
  • °³¹ßÀÚÀÇ ¿À·£Ä£±¸, ÇѺû¹Ìµð¾îÀÇ Ã¥À» Æí¸®ÇÏ°Ô ¸ð¾Æº¸¼¼¿ä
    2017.11.22 ~ 2019.12.31
  • ÆÄÀ̽㠵µ¼­ Àüü ¸ñ·ÏÀÔ´Ï´Ù. »õ·Î¿î Ã¥À» ¹ß°ßÇØº¸¼¼¿ä!
    2016.08.11 ~ 2020.12.31
  • MANNING, O'REILLY, PACKT, WILE..
    2016.03.07 ~ 2020.12.31
»óǰ»ó¼¼Á¤º¸
ISBN 9791162241905(116224190X)
Âʼö 664ÂÊ
Å©±â 182 * 234 * 30 mm /1170g ÆÇÇü¾Ë¸²
ÀÌ Ã¥ÀÇ ¿ø¼­/¹ø¿ª¼­ Python for data analysis/McKinney, Wes

Ã¥¼Ò°³

ÀÌ Ã¥ÀÌ ¼ÓÇÑ ºÐ¾ß

ºòµ¥ÀÌÅÍ ºÐ¼®¿¡ °üÇÑ °¡Àå ¿Ïº®ÇÑ ±³Àç!

ÀÌ Ã¥Àº NumPy, pandas, matplotlib, IPython, Jupyter µî ´Ù¾çÇÑ ÆÄÀ̽㠶óÀ̺귯¸®¸¦ »ç¿ëÇØ¼­ È¿°úÀûÀ¸·Î µ¥ÀÌÅ͸¦ ºÐ¼®ÇÏ´Â ¹æ¹ýÀ» ¾Ë·ÁÁØ´Ù. pandasÀÇ »õ·Î¿î ±â´É»Ó¸¸ ¾Æ´Ï¶ó ¸Þ¸ð¸® »ç¿ë·®À» ÁÙÀÌ°í ¼º´ÉÀ» °³¼±ÇÏ´Â °í±Þ »ç¿ë¹ý±îÁö ´Ù·é´Ù. ¶ÇÇÑ ¸ðµ¨¸µ µµ±¸ÀÎ statsmodels¿Í scikit-learn ¶óÀ̺귯¸®µµ ¼Ò°³ÇÑ´Ù. ¿¬´ëº° À̸§ Åë°è ÀÚ·á, ¹Ì ´ë¼± µ¥ÀÌÅͺ£À̽º ÀÚ·á µî ½Ç»ç·Ê·Î µû¶ó ÇÏ´Ù º¸¸é ¾î´Àµ¡ ¿©·¯ºÐµµ µ¥ÀÌÅÍ¿¡ ¾Ë¸Â°Ô Á¢±ÙÇϰí È¿°úÀûÀ¸·Î ºÐ¼®ÇÏ´Â Àü¹®°¡°¡ µÉ °ÍÀÌ´Ù.

ÀúÀÚ¼Ò°³

ÀúÀÚ : ¿þ½º ¸ÆÅ°´Ï

´º¿å¿¡¼­ Ȱµ¿ÇÏ´Â ¼ÒÇÁÆ®¿þ¾î °³¹ßÀÚÀÌÀÚ ±â¾÷°¡´Ù. 2007³â MIT ¼öÇаú ÇкΠ°úÁ¤À» ¸¶Ä¡°í ÄÚ³×Æ¼ÄÆ ÁÖ ±×¸°À§Ä¡¿¡ ÀÖ´Â AQR ijÇÇÅ» ¸Å´ÏÁö¸ÕÆ®¿¡¼­ ±ÝÀ¶ ºÐ¼®°¡·Î ±Ù¹«Çß´Ù. º¹ÀâÇÏ°í ´À¸° µ¥ÀÌÅÍ ºÐ¼® Åø¿¡ ½Ç¸ÁÇÏ¿© 2008³â ÆÄÀ̽ãÀ» ¹è¿ì¸é¼­ pandas ÇÁ·ÎÁ§Æ®¸¦ ½ÃÀÛÇß´Ù. ÆÄÀ̽㠵¥ÀÌÅÍ Ä¿¹Â´ÏƼÀÇ È°¹ßÇÑ ÀÏ¿øÀÌ¸ç µ¥ÀÌÅÍ ºÐ¼®, ±ÝÀ¶, Åë°è °è»ê ¾ÖÇø®ÄÉÀ̼ǿ¡¼­ ÆÄÀ̽㠻ç¿ëÀ» µ¶·ÁÇϰí ÀÖ´Ù.
â¾÷ÇÑ DataPad°¡ 2014³â Ŭ¶ó¿ìµ¥¶ó¿¡ ÀμöµÈ ÀÌÈÄ ºòµ¥ÀÌÅÍ ±â¼ú¿¡ ÁýÁßÇßÀ¸¸ç ¾ÆÆÄÄ¡ ¼ÒÇÁÆ®¿þ¾î Àç´ÜÀÇ ÇÁ·ÎÁ§Æ®ÀÎ ¾ÆÆÄÄ¡ ¾Ö·Î¿ì¿Í ¾ÆÆÄÄ¡ ÆÄÄÉÀÌÀÇ Project Management Committee(ÇÁ·ÎÁ§Æ® °ü¸® À§¿ø)·Î ÇÕ·ùÇß´Ù. 2016³â¿¡´Â ´º¿å¿¡ À§Ä¡ÇÑ Åõ½Ã±×¸¶ ÅõÀÚ»ç·Î ¿Å°Ü ¿ÀǼҽº¸¦ Ȱ¿ëÇØ ºü¸£°í ½¬¿î µ¥ÀÌÅÍ ºÐ¼® ȯ°æÀ» ¸¸µå´Â µ¥ ³ë·ÂÀ» ±â¿ïÀ̰í ÀÖ´Ù.

¿ªÀÚ : ±è¿µ±Ù

¾ÖÇà II¿¡¼­ BASICÀ¸·Î ÇÁ·Î±×·¡¹ÖÀ» ½ÃÀÛÇß°í, Àå·¡ Èñ¸ÁÀ» Ç×»ó ÇÁ·Î±×·¡¸Ó¶ó°í ¸»ÇÏ°í ´Ù´Ï´Ù Á¤½Å Â÷¸®°í º¸´Ï ¾î´Àµ¡ 20³â Â÷ Áß³â(?) °³¹ßÀÚ°¡ µÇ¾ú´Ù. ¸®´ª½º Ä¿¹Â´ÏƼ¿¡¼­ ¿À·§µ¿¾È Ȱµ¿ÇßÀ¸¸ç ÀÓº£µðµåºÎÅÍ ¹Ìµé¿þ¾î, À¥, ½º¸¶Æ®Æù ¾ÖÇø®ÄÉÀ̼ǿ¡ À̸£±â±îÁö ´Ù¾çÇÑ ºÐ¾ß¿¡¼­ °³¹ßÇß´Ù. ¾Æ½Ã¾ÆÀÎ ÃÖÃÊ·Î ÆÄÀ̽㠼ÒÇÁÆ®¿þ¾î Àç´Ü ÀÌ»ç·Î Ȱµ¿ÇßÀ¸¸ç 2014³â ù ¡®PyCon Çѱ¹¡¯À» °³ÃÖÇß´Ù. ÇѺû¹Ìµð¾î¿¡¼­ ¡º¸®´ª½º ½Ã½ºÅÛ ÇÁ·Î±×·¡¹Ö(°³Á¤2ÆÇ)¡», ¡º°í¼º´É ÆÄÀ̽㡻À» ¹ø¿ªÇß´Ù.

¸ñÂ÷

CHAPTER 1 ½ÃÀÛÇϱâ Àü¿¡
__1.1 ÀÌ Ã¥¿¡¼­ ´Ù·ç´Â ³»¿ë
__1.2 ¿Ö µ¥ÀÌÅÍ ºÐ¼®¿¡ ÆÄÀ̽ãÀ» »ç¿ëÇϳª
__1.3 Çʼö ÆÄÀ̽㠶óÀ̺귯¸®
__1.4 ¼³Ä¡ ¹× ¼³Á¤
__1.5 Ä¿¹Â´ÏƼ¿Í ÄÁÆÛ·±½º
__1.6 ÀÌ Ã¥À» »ìÆìº¸´Â ¹æ¹ý

CHAPTER 2 ÆÄÀ̽㠾ð¾îÀÇ ±âº», IPython, ÁÖÇÇÅÍ ³ëÆ®ºÏ
__2.1 ÆÄÀ̽ã ÀÎÅÍÇÁ¸®ÅÍ
__2.2 IPython ±âÃÊ
__2.3 ÆÄÀ̽㠱âÃÊ

CHAPTER 3 ³»Àå ÀڷᱸÁ¶, ÇÔ¼ö, ÆÄÀÏ
__3.1 ÀڷᱸÁ¶¿Í ¼øÂ÷ ÀÚ·áÇü
__3.2 ÇÔ¼ö
__3.3 ÆÄÀϰú ¿î¿µÃ¼Á¦
__3.4 ¸¶Ä¡¸ç

CHAPTER 4 NumPy ±âº»: ¹è¿­°ú º¤ÅÍ ¿¬»ê
__4.1 NumPy ndarray: ´ÙÂ÷¿ø ¹è¿­ °´Ã¼
__4.2 À¯´Ï¹ö¼³ ÇÔ¼ö: ¹è¿­ÀÇ °¢ ¿ø¼Ò¸¦ ºü¸£°Ô ó¸®ÇÏ´Â ÇÔ¼ö
__4.3 ¹è¿­À» ÀÌ¿ëÇÑ ¹è¿­ÁöÇâ ÇÁ·Î±×·¡¹Ö
__4.4 ¹è¿­ µ¥ÀÌÅÍÀÇ ÆÄÀÏ ÀÔÃâ·Â
__4.5 ¼±Çü´ë¼ö
__4.6 ³­¼ö »ý¼º
__4.7 °è´Ü ¿À¸£³»¸®±â ¿¹Á¦
__4.8 ¸¶Ä¡¸ç

CHAPTER 5 pandas ½ÃÀÛÇϱâ
__5.1 pandas ÀڷᱸÁ¶ ¼Ò°³
__5.2 ÇÙ½É ±â´É
__5.3 ±â¼ú Åë°è °è»ê°ú ¿ä¾à
__5.4 ¸¶Ä¡¸ç

CHAPTER 6 µ¥ÀÌÅÍ ·Îµù°ú ÀúÀå, ÆÄÀÏ Çü½Ä
__6.1 ÅØ½ºÆ® ÆÄÀÏ¿¡¼­ µ¥ÀÌÅ͸¦ ÀÐ°í ¾²´Â ¹ý
__6.2 ÀÌÁø µ¥ÀÌÅÍ Çü½Ä
__6.3 À¥ API¿Í ÇÔ²² »ç¿ëÇϱâ
__6.4 µ¥ÀÌÅͺ£À̽º¿Í ÇÔ²² »ç¿ëÇϱâ
__6.5 ¸¶Ä¡¸ç

CHAPTER 7 µ¥ÀÌÅÍ Á¤Á¦ ¹× Áغñ
__7.1 ´©¶ôµÈ µ¥ÀÌÅÍ Ã³¸®Çϱâ
__7.2 µ¥ÀÌÅÍ º¯Çü
__7.3 ¹®ÀÚ¿­ ´Ù·ç±â
__7.4 ¸¶Ä¡¸ç

CHAPTER 8 µ¥ÀÌÅÍ ÁغñÇϱâ: Á¶ÀÎ, º´ÇÕ, º¯Çü
__8.1 °èÃþÀû »öÀÎ
__8.2 µ¥ÀÌÅÍ ÇÕÄ¡±â
__8.3 ÀçÇü¼º°ú Çǹþ
__8.4 ¸¶Ä¡¸ç

CHAPTER 9 ±×·¡ÇÁ¿Í ½Ã°¢È­
__9.1 matplotlib API °£·«ÇÏ°Ô »ìÆìº¸±â
__9.2 pandas¿¡¼­ seabornÀ¸·Î ±×·¡ÇÁ ±×¸®±â
__9.3 ´Ù¸¥ ÆÄÀ̽㠽ð¢È­ µµ±¸
__9.4 ¸¶Ä¡¸ç

CHAPTER 10 µ¥ÀÌÅÍ Áý°è¿Í ±×·ì ¿¬»ê
__10.1 GroupBy ¸ÞÄ«´Ð
__10.2 µ¥ÀÌÅÍ Áý°è
__10.3 Apply: ÀϹÝÀûÀÎ ºÐ¸®-Àû¿ë-º´ÇÕ
__10.4 ÇǹþÅ×À̺í°ú ±³Â÷À϶÷Ç¥
__10.5 ¸¶Ä¡¸ç

CHAPTER 11 ½Ã°è¿­
__11.1 ³¯Â¥, ½Ã°£ ÀÚ·áÇü, µµ±¸
__11.2 ½Ã°è¿­ ±âÃÊ
__11.3 ³¯Â¥ ¹üÀ§, ºóµµ, À̵¿
__11.4 ½Ã°£´ë ´Ù·ç±â
__11.5 ±â°£°ú ±â°£ ¿¬»ê
__11.6 ¸®»ùÇøµ°ú ºóµµ º¯È¯
__11.7 À̵¿Ã¢ ÇÔ¼ö
__11.8 ¸¶Ä¡¸ç

CHAPTER 12 °í±Þ pandas
__12.1 Categorical µ¥ÀÌÅÍ
__12.2 °í±Þ GroupBy »ç¿ë
__12.3 ¸Þ¼­µå ¿¬°á ±â¹ý
__12.4 ¸¶Ä¡¸ç

CHAPTER 13 ÆÄÀ̽㠸𵨸µ ¶óÀ̺귯¸®
__13.1 pandas¿Í ¸ðµ¨ ÄÚµåÀÇ ÀÎÅÍÆäÀ̽º
__13.2 Patsy¸¦ ÀÌ¿ëÇØ¼­ ¸ðµ¨ »ý¼ºÇϱâ
__13.3 statsmodels ¼Ò°³
__13.4 scikit-learn ¼Ò°³
__13.5 ´õ °øºÎÇϱâ

CHAPTER 14 µ¥ÀÌÅÍ ºÐ¼® ¿¹Á¦
__14.1 Bit.lyÀÇ 1.USA.gov µ¥ÀÌÅÍ
__14.2 MovieLensÀÇ ¿µÈ­ ÆòÁ¡ µ¥ÀÌÅÍ
__14.3 ½Å»ý¾Æ À̸§
__14.4 ¹Ì±¹³ó¹«ºÎ ¿µ¾ç¼Ò Á¤º¸
__14.5 2012³â ¿¬¹æ¼±°Å°ü¸®À§¿øÈ¸ µ¥ÀÌÅͺ£À̽º
__14.6 ¸¶Ä¡¸ç

APPENDIX A °í±Þ NumPy
__A.1 ndarray °´Ã¼ ±¸Á¶
__A.2 °í±Þ ¹è¿­ Á¶ÀÛ ±â¹ý
__A.3 ºê·Îµåij½ºÆÃ
__A.4 °í±Þ ufunc »ç¿ë¹ý .
__A.5 ±¸Á¶È­µÈ ¹è¿­°ú ·¹ÄÚµå ¹è¿­
__A.6 Á¤·Ä¿¡ °üÇÏ¿©
__A.7 umba¸¦ ÀÌ¿ëÇÏ¿© ºü¸¥ NumPy ÇÔ¼ö ÀÛ¼ºÇϱâ
__A.8 °í±Þ ¹è¿­ ÀÔÃâ·Â
__A.9 ¼º´É ÆÁ

APPENDIX B IPython ½Ã½ºÅÛ ´õ ¾Ë¾Æº¸±â
__B.1 ¸í·É¾î È÷½ºÅ丮 »ç¿ëÇϱâ
__B.2 ¿î¿µÃ¼Á¦¿Í ÇÔ²² »ç¿ëÇϱâ
__B.3 ¼ÒÇÁÆ®¿þ¾î °³¹ß µµ±¸
__B.4 IPythonÀ» ÀÌ¿ëÇÑ »ý»êÀûÀÎ ÄÚµå °³¹ß¿¡ °üÇÑ ÆÁ
__B.5 IPython °í±Þ ±â´É
__B.6 ¸¶Ä¡¸ç

̵̧ȍ

Æä¸£³­µµ Æä·¹Áî

¡°ÀÌ¹Ì Çʵ¶¼­°¡ µÈ ÀÌ Ã¥ÀÌ ¾÷±×·¹À̵åµÇ¾ú´Ù. 2ÆÇ¿¡´Â ÆÄÀ̽ã 3.6ºÎÅÍ pandas Ãֽбâ´É¿¡ À̸£±â±îÁö ÀÌ Ã¥ÀÇ °¡Ä¡¸¦ ´õ Çâ»ó½Ãų ³»¿ëÀÌ ´ã°å´Ù. ¿Ö ÆÄÀ̽㠶óÀ̺귯¸®ÀÎÁö, ÀÌ µµ±¸µéÀ» ¾î¶»°Ô ´Ù·ï¾ß ÇÏ´ÂÁö ¼³¸íÇØ µ¶... ´õº¸±â

ÃâÆÇ»ç ¼­Æò

¡Ú ¡ºÆÄÀ̽㠶óÀ̺귯¸®¸¦ Ȱ¿ëÇÑ µ¥ÀÌÅÍ ºÐ¼®¡» µåµð¾î °³Á¤!
ÀÌ Ã¥ÀÇ ÃÊÆÇÀÌ Ãâ°£µÈ 2012³âÀº pandas °³¹ß Ãʱâ·Î, ÆÄÀ̽ã¿ë ¿ÀǼҽº µ¥ÀÌÅÍ ºÐ¼® ¶óÀ̺귯¸®°¡ ÈçÇÏÁö ¾Ê¾Ò½À´Ï´Ù. À̹ø¿¡ pandasÀÇ »õ·Î¿î ±â´É°ú 5³â¿©°£ÀÇ ¼¼¿ùÀÌ È帣´Â µ¿¾È ³°¾Ò°Å³ª »ç¿ë¹ýÀÌ ¹Ù²ï ³»¿ëÀ» ¸ðµÎ ¹Ý¿µÇÏ¿© Ã¥ Àü¹ÝÀ» ´Ù½Ã ´Ùµë¾ú½À´Ï´Ù. ¶ÇÇÑ ´ç½Ã¿¡´Â Á¸ÀçÇÏÁö ¾Ê¾Ò°Å³ª Ã¥¿¡ ½Æ±â¿¡´Â ºÒ¾ÈÇß´ø °« ³ª¿Â µµ±¸µéÀ» »õ·Î ¼Ò°³ÇÏ´Â ³»¿ëÀ» Ãß°¡Çß½À´Ï´Ù. 2ÆÇÀÇ ÁÖ¿ä º¯°æ »çÇ×Àº ´ÙÀ½°ú °°½À´Ï´Ù.

¡Ü ¸ðµç Äڵ带 ÆÄÀ̽ã 3.6 ±â¹ÝÀ¸·Î ¼öÁ¤ ... ´õº¸±â

ºÏ·Î±× ¸®ºä (0) ¾²·¯°¡±â

µµ¼­ ±¸¸Å ÈÄ ¸®ºä¸¦ ÀÛ¼ºÇϽøé ÅëÇÕÆ÷ÀÎÆ®¸¦ µå¸³´Ï´Ù.
°áÁ¦ 90ÀÏ À̳» ÀÛ¼º ½Ã 300¿ø / ¹ß¼Û ÈÄ 5ÀÏ À̳» ÀÛ¼º½Ã 400¿ø / ÀÌ »óǰÀÇ Ã¹ ¸®ºä ÀÛ¼º ½Ã 500¿ø
(Æ÷ÀÎÆ®´Â ÀÛ¼º ÈÄ ´ÙÀ½ ³¯ Àû¸³µÇ¸ç, µµ¼­ ¹ß¼Û Àü ÀÛ¼º ½Ã¿¡´Â ¹ß¼Û ÈÄ ÀÍÀÏ¿¡ Àû¸³µË´Ï´Ù.
¿Ü¼­/eBook/À½¹Ý/DVD/GIFT ¹× ÀâÁö »óǰ Á¦¿Ü)
¾È³»
  • ÇØ´çµµ¼­ÀÇ ¸®ºä°¡ ¾ø½À´Ï´Ù.

Klover ÆòÁ¡/¸®ºä (0)

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

½ºÅ丮K ÃÑ 1°ÇÀÇ ½ºÅ丮K°¡ ÀÖ½À´Ï´Ù.

    ±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 : ¨ç¾ç¼­-ÆÇ¸ÅÁ¤°¡ÀÇ 12%, ¨èÀϼ­-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 ºÐ¾ßÀÇ º£½ºÆ®

    ´õº¸±â+

    ÀÌ ºÐ¾ßÀÇ ½Å°£

    • ±æ¹þ¾Ë¾Øµð
      27,900¿ø
    • ´ÙÄ«¶óÁö¸¶»ç
      9,900¿ø
    • Å×·±½º J. ¼¼Áî³ë½ºÅ°
      22,500¿ø
    • À̵¿¿í
      19,800¿ø
    • ±æ¹þR&D
      15,300¿ø
    ´õº¸±â+

    ¹Ù·Î°¡±â

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

    ÃÖ±Ù º» »óǰ