- 주문상품수량
- 개
- 예상적립금
P - 상품할인금
- 원
- 배송료
- 원
- 주문합계
- 원
네비게이션 실시간 인기 책
파이썬 텍스트 마이닝 완벽 가이드 자연어 처리 기초부터 딥러닝 기반 BERT 모델까지
- 박상언,강주영,정석찬 저
- 위키북스
- 2022년 02월 18일
-
정가28,000원
-
판매가25,200원 [10% 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
-
적립금1,400원 적립 [5%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
판매가 종료된 상품입니다.
회원리뷰
ISBN: 9791158393007
340쪽
175 x 235 (㎜)
지금 이책은
- 판매지수 : 0
- 주간 컴퓨터/IT: 70위
이 분야의 베스트셀러
-
이것이 취업을 위한 코딩 테스트다 with 파이썬
나동빈
30,600원
-
지니어스키트로 배우는 마이크로비트
아이씨뱅큐
18,000원
-
Do it! 점프 투 파이썬 [개정판]
박응용
16,920원
책 소개
출판사 리뷰
◎ 토큰화, 어간 추출, 표제어 추출, 불용어 처리, 품사 태깅과 같은 텍스트 전처리 기법
◎ 단어 빈도 그래프, 워드 클라우드 그리기
◎ 카운트 벡터, TF-IDF 벡터로 문서를 변환하고, 문서 간 유사도 구하기
◎ 다양한 머신러닝/딥러닝 기법으로 문서 분류와 감성 분석 수행
◎ KoNLPy를 이용해 한국어 문서를 변환하고 다양한 머신러닝 알고리즘으로 분석
◎ 문서 벡터의 차원 축소, LDA 토픽 모델링, 토픽 트렌드를 구하고 시각화
◎ Word2Vec, ELMo와 같은 워드 임베딩 기법과 Doc2Vec의 이해
◎ BERT의 이해와 활용, 파이토치를 이용한 미세조정 학습의 실습, 한국어 문서에 대한 BERT 사용법 실습
저자 소개
저자 : 박상언
2007년 3월부터 경기대학교 경영정보전공 교수로 재직하고 있으며, 주요 관심분야는 텍스트마이닝, 머신러닝, 딥러닝 등이다. KAIST에서 전산학 학사, 경영공학 석사와 박사학위를 취득했다.
저자 : 강주영
2005년 9월부터 아주대학교 e-비즈니스학과 교수로 재직하고 있으며, 주요 관심분야는 빅데이터, 텍스트 마이닝, 지능정보시스템, 블록체인 등이다. 포항공대에서 컴퓨터공학 학사, 서울대에서 컴퓨터공학 석사, KAIST에서 경영공학 박사학위를 취득했다. 현재 아주대 경영빅데이터센터장, 한국빅데이터학회지 편집위원장, 한국지능정보학회 부회장을 역임하며, 빅데이터 및 텍스트마이닝 분야 관련 프로젝트, 자문 및 연구를 수행한다.
저자 : 정석찬
1999년 3월부터 동의대학교 e비즈니스학과 교수로 재직하고 있으며, 주요 관심 분야는 인공지능, 빅데이터, e비즈니스, 기술정보수용, 정보화전략 등이다. 부산대학교 기계설계학사와 오사카부립대학 경영공학 석사와 박사 학위를 취득했으며, 한국전자통신연구원 선임연구원으로 전자상거래 및 ERP 관련 기술 개발을 담당했다. 과학기술정보통신부 정보화전략위원회 위원, 부산정보산업진흥원 상임이사 등을 역임했으며, IT Innovation 대상 지식경제부 장관상 표창(2008), 정보통신 유공자 부산광역시장 표창(2018), SW산업 발전 유공 홍조근정훈장을 수훈(2019)했다. 현재 동의대학교 부산IT융합부품연구소장과 인공지능그랜드ICT연구센터장을 맡고 있다. 접기
목차
[1부] 텍스트 마이닝 기초
▣ 01장: 텍스트 마이닝 기초
1.1 텍스트 마이닝의 정의
1.2 텍스트 마이닝 패러다임의 변화
___1.2.1 카운트 기반의 문서 표현
___1.2.2 시퀀스 기반의 문서 표현
1.3 텍스트 마이닝에 필요한 지식과 도구
___1.3.1 자연어 처리 기법
___1.3.2 통계학과 선형대수
___1.3.3 시각화 기법
___1.3.4 머신러닝
___1.3.5 딥러닝
1.4 텍스트 마이닝의 주요 적용분야
___1.4.1 문서 분류
___1.4.2 문서 생성
___1.4.3 문서 요약
___1.4.4 질의응답
___1.4.5 기계번역
___1.4.6 토픽 모델링
1.5 이 책의 실습 환경과 사용 소프트웨어
___1.5.1 기본 실습 환경
___1.5.2 자연어 처리 관련 라이브러리
___1.5.3 머신러닝 관련 라이브러리
___1.5.4 딥러닝 관련 라이브러리
▣ 02장: 텍스트 전처리
2.1 텍스트 전처리의 개념
___2.1.1 왜 전처리가 필요한가?
___2.1.2 전처리의 단계
___2.1.3 실습 구성
2.2 토큰화
___2.2.1 문장 토큰화
___2.2.2 단어 토큰화
___2.2.3 정규표현식을 이용한 토큰화
___2.2.4 노이즈와 불용어 제거
2.3 정규화
___2.3.1 어간 추출
___2.3.2 표제어 추출
2.4 품사 태깅
___2.4.1 품사의 이해
___2.4.2 NLTK를 활용한 품사 태깅
___2.4.3 한글 형태소 분석과 품사 태깅
___2.4.4 참고자료
▣ 03장: 그래프와 워드 클라우드
3.1 단어 빈도 그래프 - 많이 쓰인 단어는?
3.2 워드 클라우드로 내용을 한눈에 보기
3.3 한국어 문서에 대한 그래프와 워드 클라우드
[2부] BOW 기반의 텍스트 마이닝
▣ 04장: 카운트 기반의 문서 표현
4.1 카운트 기반 문서 표현의 개념
4.2 BOW 기반의 카운트 벡터 생성
4.3 사이킷런으로 카운트 벡터 생성
4.4 한국어 텍스트의 카운트 벡터 변환
___4.4.1 데이터 다운로드
4.5 카운트 벡터의 활용
4.6 TF-IDF로 성능을 높여보자
▣ 05장: BOW 기반의 문서 분류
5.1 20 뉴스그룹 데이터 준비 및 특성 추출
___5.1.1 데이터셋 확인 및 분리
___5.1.2 카운트 기반 특성 추출
5.2 머신러닝과 문서 분류 과정에 대한 이해
5.3 나이브 베이즈 분류기를 이용한 문서 분류
5.4 로지스틱 회귀분석을 이용한 문서 분류
___5.4.1 릿지 회귀를 이용한 과적합 방지
___5.4.2 라쏘 회귀를 이용한 특성 선택
5.5 결정트리 등을 이용한 기타 문서 분류 방법
5.6 성능을 높이는 방법
5.7 카운트 기반의 문제점과 N-gram을 이용한 보완
___5.7.1 통계로는 알 수 없는 문맥 정보
___5.7.2 N-gram의 이해
___5.7.3 N-gram을 이용한 문서 분류
5.8 한국어 문서의 분류
___5.8.1 다음 영화 리뷰에 대한 영화 제목 예측
___5.8.2 성능을 개선하기 위한 노력
▣ 06장: 차원 축소
6.1 차원의 저주와 차원 축소의 이유
6.2 PCA를 이용한 차원 축소
6.3 LSA를 이용한 차원 축소와 의미 파악
___6.3.1 LSA를 이용한 차원 축소와 성능
___6.3.2 LSA를 이용한 의미 기반의 문서 간 유사도 계산
___6.3.3 잠재된 토픽의 분석
___6.3.4 단어 간 의미 유사도 분석
6.4 tSNE를 이용한 시각화와 차원축소의 효과
▣ 07장: 토픽 모델링으로 주제 찾기
7.1 토픽 모델링과 LDA의 이해
___7.1.1 토픽 모델링이란?
___7.1.2 LDA 모형의 구조
___7.1.3 모형의 평가와 적절한 토픽 수의 결정
7.2 사이킷런을 이용한 토픽 모델링
___7.2.1 데이터 준비
___7.2.2 LDA 토픽 모델링 실행
___7.2.3 최적의 토픽 수 선택하기
7.3 Gensim을 이용한 토픽 모델링
___7.3.1 Gensim 사용법과 시각화
___7.3.2 혼란도와 토픽 응집도를 이용한 최적값 선택
7.4 토픽 트렌드로 시간에 따른 주제의 변화 알아내기
▣ 08장: 감성 분석
8.1 감성분석의 이해
___8.1.1 어휘 기반의 감성 분석
___8.1.2 머신러닝 기반의 감성 분석
8.2 감성 사전을 이용한 영화 리뷰 감성 분석
___8.2.1 NLTK 영화 리뷰 데이터 준비
___8.2.2 TextBlob을 이용한 감성 분석
___8.2.3 AFINN을 이용한 감성 분석
___8.2.4 VADER를 이용한 감성 분석
___8.2.5 한글 감성사전
8.3 학습을 통한 머신러닝 기반의 감성 분석
___8.3.1 NLTK 영화 리뷰에 대한 머신러닝 기반 감성 분석
___8.3.2 다음 영화 리뷰에 대한 머신러닝 기반 감성 분석
8.4 참고문헌
▣ 09장: 인공신경망과 딥러닝의 이해
9.1 인공신경망의 이해
___9.1.1 인공신경망의 구조와 구성요소
___9.1.2 인공신경망에서의 학습
___9.1.3 손실 함수의 이해
___9.1.4 경사하강법
9.2 딥러닝의 이해
___9.2.1 딥러닝이란?
___9.2.2 층이 깊은 신경망의 문제점
___9.2.3 딥러닝에서의 해결방안
___9.2.4 다양한 딥러닝 알고리즘
___9.2.5 딥러닝 개발 및 활용환경
[3부] 텍스트 마이닝을 위한 딥러닝 기법
▣ 10장: RNN - 딥러닝을 이용한 문서 분류
10.1 왜 RNN일까?
___10.1.1 RNN의 이해
___10.1.2 RNN이 문서 분류에 적합한 이유
___10.1.3 RNN의 문서 분류 적용방안
10.2 워드 임베딩의 이해
___10.2.1 워드 임베딩이란?
___10.2.2 BOW와 문서 임베딩
___10.2.3 워드 임베딩과 딥러닝
10.3 RNN을 이용한 문서 분류 - NLTK 영화 리뷰 감성분석
___10.3.1 워드 임베딩을 위한 데이터 준비
___10.3.2 RNN이 아닌 일반적인 신경망 모형을 이용한 분류
___10.3.3 문서의 순서정보를 활용하는 RNN 기반 문서분류
10.4 LSTM, Bi-LSTM과 GRU를 이용한 성능 개선
▣ 11장: Word2Vec, ELMo, Doc2Vec의 이해
11.1 Word2Vec - 대표적인 워드 임베딩 기법
___11.1.1 Word2Vec 학습의 원리
___11.1.2 Word2Vec 활용 - 학습된 모형 가져오기
___11.1.3 FastText - 워드 임베딩에 N-gram 적용
11.2 ELMo - 문맥에 따른 단어 의미의 구분
___11.2.1 Word2Vec의 문제점
___11.2.2 ELMo의 구조
11.3 Doc2Vec - 문맥을 고려한 문서 임베딩
▣ 12장: CNN - 이미지 분류를 응용한 문서 분류
12.1 CNN의 등장과 작동 원리
12.2 CNN을 이용한 문서 분류
12.2.1 CNN을 이용한 문서 분류의 원리
12.2.2 CNN을 이용한 NLTK 영화 리뷰 분류
▣ 13장: 어텐션(Attention)과 트랜스포머
13.1 Seq2seq: 번역에서 시작한 딥러닝 기법
13.2 어텐션을 이용한 성능의 향상
13.3 셀프 어텐션(Self-attention)과 트랜스포머
___13.3.1 셀프 어텐션의 이해
___13.3.2 트랜스포머의 구조
___13.3.3 인코더의 셀프 어텐션 원리
___13.3.4 디코더의 작동 원리
▣ 14장: BERT의 이해와 간단한 활용
14.1 왜 언어 모델이 중요한가?
14.2 BERT의 구조
14.3 언어모델을 이용한 사전학습과 미세조정학습
14.4 사전학습된 BERT 모형의 직접 사용방법
14.5 자동 클래스를 이용한 토크나이저와 모형의 사용
▣ 15장: BERT 사전학습 모형에 대한 미세조정학습
15.1 BERT 학습을 위한 전처리
15.2 트랜스포머의 트레이너를 이용한 미세조정학습
15.3 파이토치를 이용한 미세조정학습
▣ 16장: 한국어 문서에 대한 BERT 활용
16.1 다중 언어 BERT 사전학습 모형의 미세조정학습
16.2 KoBERT 사전학습 모형에 대한 파이토치 미세조정학습
▣ 01장: 텍스트 마이닝 기초
1.1 텍스트 마이닝의 정의
1.2 텍스트 마이닝 패러다임의 변화
___1.2.1 카운트 기반의 문서 표현
___1.2.2 시퀀스 기반의 문서 표현
1.3 텍스트 마이닝에 필요한 지식과 도구
___1.3.1 자연어 처리 기법
___1.3.2 통계학과 선형대수
___1.3.3 시각화 기법
___1.3.4 머신러닝
___1.3.5 딥러닝
1.4 텍스트 마이닝의 주요 적용분야
___1.4.1 문서 분류
___1.4.2 문서 생성
___1.4.3 문서 요약
___1.4.4 질의응답
___1.4.5 기계번역
___1.4.6 토픽 모델링
1.5 이 책의 실습 환경과 사용 소프트웨어
___1.5.1 기본 실습 환경
___1.5.2 자연어 처리 관련 라이브러리
___1.5.3 머신러닝 관련 라이브러리
___1.5.4 딥러닝 관련 라이브러리
▣ 02장: 텍스트 전처리
2.1 텍스트 전처리의 개념
___2.1.1 왜 전처리가 필요한가?
___2.1.2 전처리의 단계
___2.1.3 실습 구성
2.2 토큰화
___2.2.1 문장 토큰화
___2.2.2 단어 토큰화
___2.2.3 정규표현식을 이용한 토큰화
___2.2.4 노이즈와 불용어 제거
2.3 정규화
___2.3.1 어간 추출
___2.3.2 표제어 추출
2.4 품사 태깅
___2.4.1 품사의 이해
___2.4.2 NLTK를 활용한 품사 태깅
___2.4.3 한글 형태소 분석과 품사 태깅
___2.4.4 참고자료
▣ 03장: 그래프와 워드 클라우드
3.1 단어 빈도 그래프 - 많이 쓰인 단어는?
3.2 워드 클라우드로 내용을 한눈에 보기
3.3 한국어 문서에 대한 그래프와 워드 클라우드
[2부] BOW 기반의 텍스트 마이닝
▣ 04장: 카운트 기반의 문서 표현
4.1 카운트 기반 문서 표현의 개념
4.2 BOW 기반의 카운트 벡터 생성
4.3 사이킷런으로 카운트 벡터 생성
4.4 한국어 텍스트의 카운트 벡터 변환
___4.4.1 데이터 다운로드
4.5 카운트 벡터의 활용
4.6 TF-IDF로 성능을 높여보자
▣ 05장: BOW 기반의 문서 분류
5.1 20 뉴스그룹 데이터 준비 및 특성 추출
___5.1.1 데이터셋 확인 및 분리
___5.1.2 카운트 기반 특성 추출
5.2 머신러닝과 문서 분류 과정에 대한 이해
5.3 나이브 베이즈 분류기를 이용한 문서 분류
5.4 로지스틱 회귀분석을 이용한 문서 분류
___5.4.1 릿지 회귀를 이용한 과적합 방지
___5.4.2 라쏘 회귀를 이용한 특성 선택
5.5 결정트리 등을 이용한 기타 문서 분류 방법
5.6 성능을 높이는 방법
5.7 카운트 기반의 문제점과 N-gram을 이용한 보완
___5.7.1 통계로는 알 수 없는 문맥 정보
___5.7.2 N-gram의 이해
___5.7.3 N-gram을 이용한 문서 분류
5.8 한국어 문서의 분류
___5.8.1 다음 영화 리뷰에 대한 영화 제목 예측
___5.8.2 성능을 개선하기 위한 노력
▣ 06장: 차원 축소
6.1 차원의 저주와 차원 축소의 이유
6.2 PCA를 이용한 차원 축소
6.3 LSA를 이용한 차원 축소와 의미 파악
___6.3.1 LSA를 이용한 차원 축소와 성능
___6.3.2 LSA를 이용한 의미 기반의 문서 간 유사도 계산
___6.3.3 잠재된 토픽의 분석
___6.3.4 단어 간 의미 유사도 분석
6.4 tSNE를 이용한 시각화와 차원축소의 효과
▣ 07장: 토픽 모델링으로 주제 찾기
7.1 토픽 모델링과 LDA의 이해
___7.1.1 토픽 모델링이란?
___7.1.2 LDA 모형의 구조
___7.1.3 모형의 평가와 적절한 토픽 수의 결정
7.2 사이킷런을 이용한 토픽 모델링
___7.2.1 데이터 준비
___7.2.2 LDA 토픽 모델링 실행
___7.2.3 최적의 토픽 수 선택하기
7.3 Gensim을 이용한 토픽 모델링
___7.3.1 Gensim 사용법과 시각화
___7.3.2 혼란도와 토픽 응집도를 이용한 최적값 선택
7.4 토픽 트렌드로 시간에 따른 주제의 변화 알아내기
▣ 08장: 감성 분석
8.1 감성분석의 이해
___8.1.1 어휘 기반의 감성 분석
___8.1.2 머신러닝 기반의 감성 분석
8.2 감성 사전을 이용한 영화 리뷰 감성 분석
___8.2.1 NLTK 영화 리뷰 데이터 준비
___8.2.2 TextBlob을 이용한 감성 분석
___8.2.3 AFINN을 이용한 감성 분석
___8.2.4 VADER를 이용한 감성 분석
___8.2.5 한글 감성사전
8.3 학습을 통한 머신러닝 기반의 감성 분석
___8.3.1 NLTK 영화 리뷰에 대한 머신러닝 기반 감성 분석
___8.3.2 다음 영화 리뷰에 대한 머신러닝 기반 감성 분석
8.4 참고문헌
▣ 09장: 인공신경망과 딥러닝의 이해
9.1 인공신경망의 이해
___9.1.1 인공신경망의 구조와 구성요소
___9.1.2 인공신경망에서의 학습
___9.1.3 손실 함수의 이해
___9.1.4 경사하강법
9.2 딥러닝의 이해
___9.2.1 딥러닝이란?
___9.2.2 층이 깊은 신경망의 문제점
___9.2.3 딥러닝에서의 해결방안
___9.2.4 다양한 딥러닝 알고리즘
___9.2.5 딥러닝 개발 및 활용환경
[3부] 텍스트 마이닝을 위한 딥러닝 기법
▣ 10장: RNN - 딥러닝을 이용한 문서 분류
10.1 왜 RNN일까?
___10.1.1 RNN의 이해
___10.1.2 RNN이 문서 분류에 적합한 이유
___10.1.3 RNN의 문서 분류 적용방안
10.2 워드 임베딩의 이해
___10.2.1 워드 임베딩이란?
___10.2.2 BOW와 문서 임베딩
___10.2.3 워드 임베딩과 딥러닝
10.3 RNN을 이용한 문서 분류 - NLTK 영화 리뷰 감성분석
___10.3.1 워드 임베딩을 위한 데이터 준비
___10.3.2 RNN이 아닌 일반적인 신경망 모형을 이용한 분류
___10.3.3 문서의 순서정보를 활용하는 RNN 기반 문서분류
10.4 LSTM, Bi-LSTM과 GRU를 이용한 성능 개선
▣ 11장: Word2Vec, ELMo, Doc2Vec의 이해
11.1 Word2Vec - 대표적인 워드 임베딩 기법
___11.1.1 Word2Vec 학습의 원리
___11.1.2 Word2Vec 활용 - 학습된 모형 가져오기
___11.1.3 FastText - 워드 임베딩에 N-gram 적용
11.2 ELMo - 문맥에 따른 단어 의미의 구분
___11.2.1 Word2Vec의 문제점
___11.2.2 ELMo의 구조
11.3 Doc2Vec - 문맥을 고려한 문서 임베딩
▣ 12장: CNN - 이미지 분류를 응용한 문서 분류
12.1 CNN의 등장과 작동 원리
12.2 CNN을 이용한 문서 분류
12.2.1 CNN을 이용한 문서 분류의 원리
12.2.2 CNN을 이용한 NLTK 영화 리뷰 분류
▣ 13장: 어텐션(Attention)과 트랜스포머
13.1 Seq2seq: 번역에서 시작한 딥러닝 기법
13.2 어텐션을 이용한 성능의 향상
13.3 셀프 어텐션(Self-attention)과 트랜스포머
___13.3.1 셀프 어텐션의 이해
___13.3.2 트랜스포머의 구조
___13.3.3 인코더의 셀프 어텐션 원리
___13.3.4 디코더의 작동 원리
▣ 14장: BERT의 이해와 간단한 활용
14.1 왜 언어 모델이 중요한가?
14.2 BERT의 구조
14.3 언어모델을 이용한 사전학습과 미세조정학습
14.4 사전학습된 BERT 모형의 직접 사용방법
14.5 자동 클래스를 이용한 토크나이저와 모형의 사용
▣ 15장: BERT 사전학습 모형에 대한 미세조정학습
15.1 BERT 학습을 위한 전처리
15.2 트랜스포머의 트레이너를 이용한 미세조정학습
15.3 파이토치를 이용한 미세조정학습
▣ 16장: 한국어 문서에 대한 BERT 활용
16.1 다중 언어 BERT 사전학습 모형의 미세조정학습
16.2 KoBERT 사전학습 모형에 대한 파이토치 미세조정학습
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)
