- 주문상품수량
- 개
- 예상적립금
P - 상품할인금
- 원
- 배송료
- 원
- 주문합계
- 원
네비게이션 실시간 인기 책
텐서플로로 시작하는 딥러닝 합성곱 신경망 중심의 딥러닝 알고리즘
시리즈 : I♥A.I. 인공지능 시리즈(아이러브A.I.) [16]
원제 : TensorFlowで学ぶディープラーニング入門
- 나카이 에츠지 저
- 진명조 역
- 제이펍
- 2017년 07월 12일
-
정가24,000원
-
판매가24,000원 [0% 할인]
-
결제 혜택무이자
카드할인/포인트결제 안내
제휴카드
반디앤루니스 롯데카드 결제금액 최대 25% 청구할인 (1만원 이상 결제건에 한해 월 2회, 건당 최대 1만원 할인) 반디앤루니스 우리V카드 결제금액 10% 청구할인 포인트결제
OK캐쉬백 포인트 최소 10원부터 전액 사용 or 1% 적립 현대카드 M포인트 결제금액의 최대 10% 사용 가능 신한카드 포인트 결제금액의 최대 10% 사용 가능(일부카드) 하나(구.외환) 포인트 보유 한도 내에서 100% 사용 가능 씨티카드 포인트 결제금액의 최대 50% 사용 가능 할인카드
NH농협 TAKE5카드 20% 청구할인(Edu Pack) 채움 플래티늄 멀티카드 20% 청구할인 모바일 Tmoney 신한카드 10% 청구할인 신한카드 Shopping 10% 청구할인 NH농협 체크카드 10% 청구할인 NH20 해봄 신용카드 10% 청구할인 씨티 클리어 카드 7% 청구할인 NH20 해봄 체크카드 5% 청구할인 NH농협 LADY다솜카드 5% 청구할인 신한카드 큐브 5% 청구할인 신한카드 큐브 PLATINUM# 5% 청구할인 
무이자 안내
-
적립금720원 적립 [3%P]
추가 적립금 안내
[2천원 추가 적립]
총 주문금액 5만원 이상 구매 시 2,000원 추가 적립
도서(eBook포함)만 구매 시 적립 대상에서 제외업채배송상품 포함(기프트, 업체배송 등) 5만원[멤버십 추가 적립]
슈퍼루니 : 3% 추가 적립
골드루니 : 2% 추가 적립
실버루니 : 1% 추가 적립
단, 국내도서, eBook만 구매 시 적립 불가
-
배송료무료배송
-
출고예정일
출고예정일 안내
※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
2025년 05월 01일(목)※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
당일배송 가능지역 검색
“도로명주소”를 쉽게 찾아보세요
1. 도로명으로 검색하기 (예, “직지길” or “직지길+322”)
2. 건물명으로 검색하기 (예, “반디앤루니스빌딩”)
3. 동(읍/면/리) 으로 검색 (예, “인사동” or “인사동+43”)
4. 도로명주소를 모르실 경우 도로명주소 안내시스템(http://www.juso.go.kr)에서 확인해주세요.
시/도
시/군/구
회원리뷰
ISBN: 9791185890876
256쪽
189 x 246 (㎜)
지금 이책은
- 판매지수 : 257
- 주간 컴퓨터/IT: 44위
이 분야의 베스트셀러
-
처음 만나는 인공지능 [개정판]
김대수
26,000원
-
비전공자를 위한 이해할 수 있는 IT 지식
최원영
15,120원
-
컴퓨팅 사고 Level Up 소프트 파워 with 스크래치
김호다, 이지민, 정영철 외
20,700원
이 책과 함께 구매한 책
-
블록체인 혁명 돈 탭스콧, 알렉스 탭스콧 22,500원
-
텐서플로 첫걸음 조르디 토레스 14,400원
-
삼성의 CEO들은 무엇을 공부하는가 백강녕, 안상희, 강동철 14,400원
-
신경망 첫걸음 타리크 라시드 22,500원
-
아두이노 자율주행 RC카 만들고 직접 코딩하기 서민우, 김정훈 20,000원
이 책의 시리즈
전체 선택
쇼핑카트 담기
-
-
파이썬으로 시작하는 캐글 18,000원 (0%↓+3%P)
-
단단한 강화학습 35,000원 (0%↓+3%P)
-
케라스 창시자의 딥러닝 with R 29,000원 (0%↓+3%P)
-
심층 학습 42,000원 (0%↓+3%P)
-
백설공주 거울과 인공지능 이야기 19,800원 (0%↓+3%P)
-
책 소개
이 책은
텐서플로를 이용하여 ‘합성곱 신경망(CNN)’의 구조를 완벽히 이해한다!
이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.
출판사 리뷰
이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.
딥러닝의 밑바닥에는 머신러닝의 원리가 있는데, 간단한 행렬 계산과 기초적인 ...
텐서플로를 이용하여 ‘합성곱 신경망(CNN)’의 구조를 완벽히 이해한다!
이 책은 머신러닝과 데이터 분석을 제대로 배운 적이 없는 개발자를 대상으로 한다. 딥러닝의 대표적 예인 ‘합성곱 신경망(CNN)’의 구조를 근본부터 이해하고, 텐서플로를 이용해 실제로 동작하는 코드를 작성하는 것이 이 책의 목표다. 그리고 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’ 내에서 대체 무슨 일이 일어나는지, 딥러닝 알고리즘은 어떤 원리로 학습하는지를 알려 준다.
딥러닝의 밑바닥에는 머신러닝의 원리가 있는데, 간단한 행렬 계산과 기초적인 미분을 알면 그 구조를 이해하기가 그리 어렵지 않다. 이 책은 필기 문자를 인식하도록 처리하는 합성곱 신경망에 대해, 그리고 이를 구성하는 각 요소의 역할을 신중하게 설명한다. 또한, 딥러닝의 대표 라이브러리인 텐서플로를 이용해 실제로 동작하는 코드를 보여줌으로써 각 요소의 동작 원리를 확인할 수 있도록 구성되어 있다. 레고 블록을 끼워 맞추듯이 네트워크 구성 요소를 늘려 감으로써 인식 정확도가 향상되는 모습을 관찰할 수 있을 것이다.
부디 이 책을 통해 딥러닝의 근본 원리를 이해하고 텐서플로 코드 작성법을 학습하여 다음 단계로 도약하는 계기가 되길 바란다.
이 책의 대상 독자
● 머신러닝, 데이터 분석 전문가는 아니지만 AI 기술에 관심이 있는 분
● 딥러닝 알고리즘이 어떻게 구성되어 있는지 알고 싶은 분
● 텐서플로 공식 예제 코드를 제대로 활용하기 어려운 분
저자 소개
- 구분 : 저서
- 국적 : 일본
- 분류 : 과학/공학 저자 , 기타
- 인기지수 : 163
1971년 4월 일본 오오사카 출생. 노벨 물리학상을 진지하게 꿈꾸고 이론물리학 연구에 몰두했던 학생 시절, 대학 입시에 열정을 쏟았던 입시 학원 강사 시절, 그리고 화려하게(?) 변신하여 외국계 기업에서 리눅스 엔지니어로 활약하게 될 때까지 항상 유닉스/리눅스 서버와 묘한 인연으로 인생을 함께 보냈다.
휴일에는 러시아 문학과 철학책을 읽으며 피아노 재즈를 즐기는 인생을 보내고 싶었지만 지금은 사랑하는 초등학교 1학년 딸과 스포츠 센터에 수영하러 다니고 있는 동네에서 유명한 '좋은 아빠'로 살고 있다. '세계 평화'를 위해 일찍 집에 들어가려고는 하지만 사랑하는 또 한 가지인 선술집에 들리기를 좋아하는 사람이다.
요즘에는 머신러닝 이론 등의 데이터 과학의 기초 지식을 계몽하는 일도 열심히 하며 활동 범위를 넓혀가고 있다.
역자 소개
- 국적 : 대한민국
- 분류 : 과학/공학 저자 , 기타
- 인기지수 : 230
㈜오늘과내일 연구소의 책임연구원을 거쳐 현재는 씨디네트웍스에서 근무하고 있다. 옮긴 책으로는 《리눅스 커널 HACKS》, 《데이터가 보인다》, 《프로세서를 지탱하는 기술》, 《대규모 서비스를 지탱하는 기술》, 《클라우드의 충격》, 《서버/인프라를 지탱하는 기술》, 《DEBUG HACKS》, 《입문자를 위한 루비》, 《Binary Hacks》, 《C 언어로 배우는 알고리즘 입문》, 《파이썬 더 쉽게, 더 깊게》, 《와이어샤크를 이용한 패킷캡처 철저 입문》 등이 있다. IT 산업의 미시적인 영역과 거시적인 영역을 아우르는 통찰력을 갖게 되기를 꿈꾸고 있으며, 최근에는 모바일 생태계를 향해 작은 보폭으로 한걸음씩 내딛고 있다.
책 속에서
딥러닝이 세상의 주목을 받기 시작한 것은 “신경망이 이미지를 인식했다”라고 구글이 발표할 무렵부터입니다. 그후 DQN(Deep Q-Network)이라는 알고리즘이 비디오 게임 제어를 학습하고, 나아가 신경망을 이용한 머신러닝 시스템이 바둑 세계 챔피언을 이기는 등 놀라운 결과를 만들어 내고 있습니다. 그리고 이러한 딥러닝의 해설 기사에 반드시 등장하는 것이 바로 다수의 뉴런이 여러 층 결합된 ‘다층 신경망’을 도식화한 그림입니다. 이 신경망 내에서 대체 무슨 일이 일어나는 것인지, 딥러닝 알고리즘은 어떤 원리로 학습하는 것인지를 ‘어떻게 해서든 이해하고 싶다!’라고 느끼는 여러분이 바로 이 책의 대상 독자입니다.
_viii쪽
딥러닝은 ‘심층학습’이라고도 하며, 용어만 보면 뭔가 심오한 이론인 것처럼 느껴진다. 그러나 기본적으로는 앞서 그림 1 - 11과 같은 다층 신경망을 이용한 머신러닝에 지나지 않는다. 다만, 단순히 계층을 증가시켜 복잡화하는 것이 아니라 해결해야 할 문제에 맞게 각각의 노드에 특별한 역할을 부여하거나 노드 간의 연결 방식을 다양하게 연구한 것이다. 무조건 노드를 증가시켜 복잡화하는 것이 아니라 각 노드의 역할을 생각하면서 특정 의도를 갖고 구성한 신경망이라고 생각할 수 있다.
_13쪽
그렇다면 미니 배치 혹은 확률적 경사 하강법을 이용하는 이유는 무엇일까? 여기에는 크게 두 가지 이유가 있다. 첫 번째 이유는 트레이닝 세트 데이터가 대량으로 있을 경우에 1회당 계산량을 줄일 수 있다는 점이다. 일반적으로 특정 함수의 기울기 벡터를 구할 때는 계산 처리량이 많아진다. 텐서플로에서는 기울기 벡터 계산이 자동화되어 있어서 이용자가 계산 내용을 의식하지는 않지만, 그렇더라도 계산 처리량에는 주의가 필요하다. 트레이닝 세트에서 대량의 데이터를 투입하면 트레이닝 알고리즘의 계산이 상당히 느려지거나 대량의 메모리를 소비하므로 실용성이 떨어지게 된다.
_92쪽
특히, 복잡한 신경망을 이용할 경우 텐서보드로 오차 함수의 변화를 살펴보면 그림 3 - 25와 같이 오차 함수의 값이 계단 모양으로 변화하는 경우가 있다. 이것이 바로 극솟값 주위를 얼마간 돌아다닌 후에 갑자기 최솟값 방향으로 향하는 움직임에 해당한다. 극솟값을 갖는 위치가 여러 개 있을 경우에는 몇 단계에 걸쳐 오차 함수의 값이 변화하는 경우도 있다.
_135쪽
이번 장에서는 합성곱 필터와 풀링 계층을 2단으로 쌓은 CNN을 실제로 구성하고, 텐서플로를 이용해 최적화해서 어떤 결과가 나오는지를 확인해 보겠다. 여기서는 이를 위한 준비 과정으로 2단계 필터가 이미지 데이터에 대해 어떻게 작용하는지를 정리한다. 또한, 파라미터 최적화를 효율적으로 실시하는 데 필요한 CNN 특유의 테크닉에 관해 추가 설명한다. 구체적인 설명을 위해 첫 번째와 두 번째 단계의 합성곱 필터의 개수를 각각 32개와 64개로 가정한다.
_179쪽
_viii쪽
딥러닝은 ‘심층학습’이라고도 하며, 용어만 보면 뭔가 심오한 이론인 것처럼 느껴진다. 그러나 기본적으로는 앞서 그림 1 - 11과 같은 다층 신경망을 이용한 머신러닝에 지나지 않는다. 다만, 단순히 계층을 증가시켜 복잡화하는 것이 아니라 해결해야 할 문제에 맞게 각각의 노드에 특별한 역할을 부여하거나 노드 간의 연결 방식을 다양하게 연구한 것이다. 무조건 노드를 증가시켜 복잡화하는 것이 아니라 각 노드의 역할을 생각하면서 특정 의도를 갖고 구성한 신경망이라고 생각할 수 있다.
_13쪽
그렇다면 미니 배치 혹은 확률적 경사 하강법을 이용하는 이유는 무엇일까? 여기에는 크게 두 가지 이유가 있다. 첫 번째 이유는 트레이닝 세트 데이터가 대량으로 있을 경우에 1회당 계산량을 줄일 수 있다는 점이다. 일반적으로 특정 함수의 기울기 벡터를 구할 때는 계산 처리량이 많아진다. 텐서플로에서는 기울기 벡터 계산이 자동화되어 있어서 이용자가 계산 내용을 의식하지는 않지만, 그렇더라도 계산 처리량에는 주의가 필요하다. 트레이닝 세트에서 대량의 데이터를 투입하면 트레이닝 알고리즘의 계산이 상당히 느려지거나 대량의 메모리를 소비하므로 실용성이 떨어지게 된다.
_92쪽
특히, 복잡한 신경망을 이용할 경우 텐서보드로 오차 함수의 변화를 살펴보면 그림 3 - 25와 같이 오차 함수의 값이 계단 모양으로 변화하는 경우가 있다. 이것이 바로 극솟값 주위를 얼마간 돌아다닌 후에 갑자기 최솟값 방향으로 향하는 움직임에 해당한다. 극솟값을 갖는 위치가 여러 개 있을 경우에는 몇 단계에 걸쳐 오차 함수의 값이 변화하는 경우도 있다.
_135쪽
이번 장에서는 합성곱 필터와 풀링 계층을 2단으로 쌓은 CNN을 실제로 구성하고, 텐서플로를 이용해 최적화해서 어떤 결과가 나오는지를 확인해 보겠다. 여기서는 이를 위한 준비 과정으로 2단계 필터가 이미지 데이터에 대해 어떻게 작용하는지를 정리한다. 또한, 파라미터 최적화를 효율적으로 실시하는 데 필요한 CNN 특유의 테크닉에 관해 추가 설명한다. 구체적인 설명을 위해 첫 번째와 두 번째 단계의 합성곱 필터의 개수를 각각 32개와 64개로 가정한다.
_179쪽
목차
CHAPTER 1 텐서플로 입문 1
1.1 딥러닝과 텐서플로 4
1.1.1 머신러닝의 개념 4
1.1.2 신경망의 필요성 7
1.1.3 딥러닝의 특징 13
1.1.4 텐서플로를 이용한 파라미터 최적화 16
1.2 환경 준비 24
1.2.1 CentOS 7에서의 준비 과정 25
1.2.2 주피터 사용법 28
1.3 텐서플로 훑어보기 33
1.3.1 다차원 배열을 이용한 모델 표현 33
1.3.2 텐서플로 코드를 이용한 표현 35
1.3.3 세션을 이용한 트레이닝 실행 39
CHAPTER 2 분류 알고리즘의 기초 47
2.1 로지스틱 회귀를 이용한 이항 분류기 49
2.1.1 확률을 이용한 오차 평가 49
2.1.2 텐서플로를 이용한 최우추정 실행 54
2.1.3 테스트 세트를 이용한 검증 65
2.2 소프트맥스 함수와 다항 분류기 69
2.2.1 선형 다항 분류기의 구조 69
2.2.2 소프트맥스 함수를 이용한 확률로의 변환 73
2.3 다항 분류기를 이용한 필기 문자 분류 76
2.3.1 MNIST 데이터 세트 이용 방법 76
2.3.2 이미지 데이터의 분류 알고리즘 79
2.3.3 텐서플로를 이용한 트레이닝 실행 84
2.3.4 미니 배치와 확률적 경사 하강법 90
CHAPTER 3 신경망을 이용한 분류 95
3.1 단층 신경망의 구조 97
3.1.1 단층 신경망을 이용한 이항 분류기 97
3.1.2 은닉 계층의 역할 100
3.1.3 노드 개수와 활성화 함수 변경에 따른 효과 110
3.2 단층 신경망을 이용한 필기 문자 분류 113
3.2.1 단층 신경망을 이용한 다항 분류기 113
3.2.2 텐서보드를 이용한 네트워크 그래프 확인 116
3.3 다층 신경망으로의 확장 124
3.3.1 다층 신경망의 효과 124
3.3.2 특징 변수에 기반한 분류 로직 128
3.3.3 보충: 파라미터가 극솟값으로 수렴하는 예 133
CHAPTER 4 합성곱 필터를 통한 이미지 특징 추출 137
4.1 합성곱 필터의 기능 139
4.1.1 합성곱 필터의 예 139
4.1.2 텐서플로를 이용한 합성곱 필터 적용 142
4.1.3 풀링 계층을 이용한 이미지 축소 150
4.2 합성곱 필터를 이용한 이미지 분류 153
4.2.1 특징 변수를 이용한 이미지 분류 153
4.2.2 합성곱 필터의 동적인 학습 159
4.3 합성곱 필터를 이용한 필기 문자 분류 163
4.3.1 세션 정보의 저장 기능 163
4.3.2 단층 CNN을 이용한 필기 문자 분류 165
4.3.3 동적으로 학습된 필터 확인 171
CHAPTER 5 합성곱 필터의 다층화를 통한 성능 향상 177
5.1 합성곱 신경망의 완성 179
5.1.1 다층형 합성곱 필터를 이용한 특징 추출 179
5.1.2 텐서플로를 이용한 다층 CNN 구현 184
5.1.3 필기 문자의 자동 인식 애플리케이션 189
5.2 그 밖의 주제 195
5.2.1 CIFAR-10(컬러 사진 이미지) 분류를 위한 확장 195
5.2.2 ‘A Neural Network Playground’를 이용한 직감적 이해 199
5.2.3 보충: 오차 역전파법을 이용한 기울기 벡터 계산 204
APPENDIX 부록 213
A 맥OS와 윈도우에서의 환경 준비 방법 214
A.1 맥OS의 환경 준비 과정 214
A.2 윈도우10의 환경 준비 과정 218
B 파이썬 2의 기본 문법 225
B.1 Hello, World!와 자료형, 연산 225
B.2 문자열 226
B.3 리스트와 딕셔너리 228
B.4 제어구문 230
B.5 함수와 모듈 233
C 수학 공식 235
찾아보기 237
1.1 딥러닝과 텐서플로 4
1.1.1 머신러닝의 개념 4
1.1.2 신경망의 필요성 7
1.1.3 딥러닝의 특징 13
1.1.4 텐서플로를 이용한 파라미터 최적화 16
1.2 환경 준비 24
1.2.1 CentOS 7에서의 준비 과정 25
1.2.2 주피터 사용법 28
1.3 텐서플로 훑어보기 33
1.3.1 다차원 배열을 이용한 모델 표현 33
1.3.2 텐서플로 코드를 이용한 표현 35
1.3.3 세션을 이용한 트레이닝 실행 39
CHAPTER 2 분류 알고리즘의 기초 47
2.1 로지스틱 회귀를 이용한 이항 분류기 49
2.1.1 확률을 이용한 오차 평가 49
2.1.2 텐서플로를 이용한 최우추정 실행 54
2.1.3 테스트 세트를 이용한 검증 65
2.2 소프트맥스 함수와 다항 분류기 69
2.2.1 선형 다항 분류기의 구조 69
2.2.2 소프트맥스 함수를 이용한 확률로의 변환 73
2.3 다항 분류기를 이용한 필기 문자 분류 76
2.3.1 MNIST 데이터 세트 이용 방법 76
2.3.2 이미지 데이터의 분류 알고리즘 79
2.3.3 텐서플로를 이용한 트레이닝 실행 84
2.3.4 미니 배치와 확률적 경사 하강법 90
CHAPTER 3 신경망을 이용한 분류 95
3.1 단층 신경망의 구조 97
3.1.1 단층 신경망을 이용한 이항 분류기 97
3.1.2 은닉 계층의 역할 100
3.1.3 노드 개수와 활성화 함수 변경에 따른 효과 110
3.2 단층 신경망을 이용한 필기 문자 분류 113
3.2.1 단층 신경망을 이용한 다항 분류기 113
3.2.2 텐서보드를 이용한 네트워크 그래프 확인 116
3.3 다층 신경망으로의 확장 124
3.3.1 다층 신경망의 효과 124
3.3.2 특징 변수에 기반한 분류 로직 128
3.3.3 보충: 파라미터가 극솟값으로 수렴하는 예 133
CHAPTER 4 합성곱 필터를 통한 이미지 특징 추출 137
4.1 합성곱 필터의 기능 139
4.1.1 합성곱 필터의 예 139
4.1.2 텐서플로를 이용한 합성곱 필터 적용 142
4.1.3 풀링 계층을 이용한 이미지 축소 150
4.2 합성곱 필터를 이용한 이미지 분류 153
4.2.1 특징 변수를 이용한 이미지 분류 153
4.2.2 합성곱 필터의 동적인 학습 159
4.3 합성곱 필터를 이용한 필기 문자 분류 163
4.3.1 세션 정보의 저장 기능 163
4.3.2 단층 CNN을 이용한 필기 문자 분류 165
4.3.3 동적으로 학습된 필터 확인 171
CHAPTER 5 합성곱 필터의 다층화를 통한 성능 향상 177
5.1 합성곱 신경망의 완성 179
5.1.1 다층형 합성곱 필터를 이용한 특징 추출 179
5.1.2 텐서플로를 이용한 다층 CNN 구현 184
5.1.3 필기 문자의 자동 인식 애플리케이션 189
5.2 그 밖의 주제 195
5.2.1 CIFAR-10(컬러 사진 이미지) 분류를 위한 확장 195
5.2.2 ‘A Neural Network Playground’를 이용한 직감적 이해 199
5.2.3 보충: 오차 역전파법을 이용한 기울기 벡터 계산 204
APPENDIX 부록 213
A 맥OS와 윈도우에서의 환경 준비 방법 214
A.1 맥OS의 환경 준비 과정 214
A.2 윈도우10의 환경 준비 과정 218
B 파이썬 2의 기본 문법 225
B.1 Hello, World!와 자료형, 연산 225
B.2 문자열 226
B.3 리스트와 딕셔너리 228
B.4 제어구문 230
B.5 함수와 모듈 233
C 수학 공식 235
찾아보기 237
배송 시 유의사항
- 반디앤루니스에서 구매하신 도서는 물류 대행 위탁업체 웅진 북센을 통해 배송됩니다.
(배송 포장에 "웅진 북센"으로 표기될 수 있습니다.)
- 구매한 상품의 품질과 배송 관련 문의는 반디앤루니스로 문의 바랍니다.
- 천재지변 및 택배사의 사정에 따라 배송이 지연될 수 있습니다.
- 결제(입금) 완료 후 출판사 및 유통사의 사정으로 품절 또는 절판 되어 상품 구입이 어려울 수 있습니다. (별도 안내 예정)
- 도서산간지역의 경우 추가 배송비가 발생될 수 있습니다.
반품/교환
상품 설명에 반품/ 교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다)
반품/교환
-
반품/교환 반품/교환 방법 홈 > 고객센터 > 자주찾는질문 “반품/교환/환불” 안내 참고 또는 1:1상담게시판 반품/교환 가능 기간 반품,교환은 배송완료 후 7일 이내, 상품의 결함 및 계약내용과 다를 경우 문제발견 후 30일 이내에 신청가능 반품/교환 비용 변심 혹은 구매착오의 경우에만 반송료 고객 부담(별도 지정 택배사 없음) 반품/교환 불가 사유 - 소비자의 책임 사유로 상품 등이 손실 또는 훼손된 경우
- 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
- 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예)만화책, 잡지, 화보집 등
- 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
- 전자상거래등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
- 해외주문 상품(해외 원서)의 경우(파본/훼손/오발송 상품을 제외)
소비자 피해보상
환불지연에 따른 배상- 상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
소비자 분쟁해결 기준(공정거래위원회고시)에 준하여 처리됨 - 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
소비자 보호에 관한 법률에 따라 처리함
반품/교환 주소 경기도 파주시 문발로 77, 웅진북센(반디앤루니스)
