YES24 카테고리 리스트

YES24 유틸메뉴

Global YES24안내보기: Global YES24는?

K-POP/K-Drama 관련상품(음반,도서,DVD)을
영문/중문 으로 이용하실 수 있습니다.

Korean wave shopping mall, sell the
K-POP/K-Drama (CD,DVD,Blu-ray,Book) We aceept PayPal/UnionPay/Alipay
and support English/Chinese Language service
English
作为出售正规 K-POP/K-Drama 相关(CD,图书,DVD) 韩流商品的网站, 支持中文/英文等海外结账方式
中文
Exclusive ticket sales for domestic and international pop artists
Global yesticket

어깨배너

1/6

빠른분야찾기

YES24 코너/서비스

YES24 분야별코너

신용카드 (54x86mm)

A4용지 (210x297mm)

미리보기 사이즈비교 카드뉴스 공유하기

소득공제

파이썬과 JAX로 추천 시스템 구축하기

만들면서 배우는 대규모 상용 추천 시스템

브라이언 비쇼프, 헥터 이 저/동동구 역 | 제이펍 | 2025년 03월 20일 | 원제 : Building Recommendation Systems in Python and JAX 첫번째 리뷰어가 되어주세요. | 판매지수 738 판매지수란?

상품 가격정보
정가	33,000원
판매가	29,700원 (10% 할인)
YES포인트	1,650원 (5% 적립) 5만원이상 구매 시 2천원 추가적립 5만원이상 구매 시 2천원 추가적립 안내

결제혜택
결제혜택	카드/간편결제 혜택을 확인하세요 카드/간편결제 혜택 보기/감추기 네이버페이 머니 3천원 적립 + 최대 2% 추가적립 관련페이지 바로가기 카카오페이 3,000원 즉시할인 일 500명, 5만원 이상 관련페이지 바로가기 토스페이 1500원 즉시할인 일 500명, 3만원 이상 관련페이지 바로가기 롯데카드 4,000원 즉시할인 5만원 이상 관련페이지 바로가기 현대백화점카드 앱카드 발급시 1만원 상품권 신규발급시 관련페이지 바로가기

구매 시 참고사항
구매 시 참고사항

판매중

수량

카트에 넣기 바로구매

국내배송만 가능
최저가 보상
문화비소득공제 신청가능

리스트에 넣기 eBook 출간 알림신청 분철서비스 알림신청

파이썬과 JAX로 추천 시스템 구축하기

카트에 넣기 바로구매

품목정보

품목정보
발행일	2025년 03월 20일
쪽수, 무게, 크기	388쪽 \| 18824518mm
ISBN13	9791193926963

카드뉴스로 보는 책

1/10 1/5

이전 이미지 배너 다음 이미지 배너

책소개

책의 일부 내용을 미리 읽어보실 수 있습니다. 미리보기

옮긴이 머리말 xii 추천의 글 xiv 베타리더 후기 xv 추천사 xviii 시작하며 xx 감사의 글 xxiii 표지에 대하여 xxv PART I 워밍업 CHAPTER 1 소개 3 1.1 추천 시스템의 주요 구성 요소 4 __1.1.1 수집기 4 __1.1.2 랭커 4 __1.1.3 서버 4 1.2 가장 간단한 추천 시스템 5 __1.2.1 간단한 추천 시스템 5 __1.2.2 가장 인기 있는 아이템 추천 시스템 6 1.3 JAX에 대한 친절한 소개 8 __1.3.1 기본형, 초기화, 불변성 8 __1.3.2 인덱싱과 슬라이싱 10 __1.3.3 브로드캐스팅 11 __1.3.4 난수 11 __1.3.5 JIT 컴파일 12 1.4 요약 13 CHAPTER 2 사용자-아이템 평점 및 문제 정의하기 15 2.1 사용자-아이템 행렬 15 2.2 사용자-사용자 대 아이템-아이템 협업 필터링 19 2.3 넷플릭스 챌린지 20 2.4 암묵적 평점 21 2.5 데이터 수집 및 사용자 로깅 22 __2.5.1 기록 대상 22 __2.5.2 수집 및 계측 26 __2.5.3 퍼널 27 2.6 비즈니스 인사이트와 사람들이 좋아하는 것 29 2.7 요약 30 CHAPTER 3 수학적 고려 사항 33 3.1 RecSys에서 지프의 법칙과 마태 효과 33 3.2 희소성 37 3.3 협업 필터링을 위한 사용자 유사도 38 __3.3.1 피어슨 상관관계 40 __3.3.2 유사도를 통한 평가 40 3.4 추천 시스템으로서의 탐색-활용 41 __3.4.1 ∈-그리디 전략 42 __3.4.2 ∈은 무엇이어야 하나요? 44 3.5 NLP와 RecSys의 관계 45 __3.5.1 벡터 검색 45 __3.5.2 최근접 이웃 검색 47 3.6 요약 47 CHAPTER 4 추천 시스템 설계 49 4.1 온라인 대 오프라인 50 4.2 수집기 51 __4.2.1 오프라인 수집기 51 __4.2.2 온라인 수집기 51 4.3 랭커 52 __4.3.1 오프라인 랭커 52 __4.3.2 온라인 랭커 53 4.4 서버 53 __4.4.1 오프라인 서버 53 __4.4.2 온라인 서버 54 4.5 요약 54 CHAPTER 5 모두 하나로 합치기: 콘텐츠 기반 추천 시스템 55 5.1 버전 관리 소프트웨어 56 5.2 파이썬 빌드 시스템 57 5.3 무작위 아이템 추천 시스템 59 5.4 STL 데이터셋에서 이미지 가져오기 61 5.5 합성곱 신경망의 정의 62 5.6 JAX, Flax, Optax를 사용하여 모델 훈련하기 63 5.7 입력 파이프라인 65 5.8 요약 79 PART II 검색 CHAPTER 6 데이터 처리 83 6.1 시스템에 수분 공급하기 83 __6.1.1 파이스파크 83 __6.1.2 예시: 파이스파크에서의 사용자 유사도 88 __6.1.3 DataLoader 93 __6.1.4 데이터베이스 스냅숏 95 6.2 학습 및 추론을 위한 데이터 구조 97 __6.2.1 벡터 검색 97 __6.2.2 최근접 이웃 근사하기 99 __6.2.3 블룸 필터 100 __6.2.4 흥미로운 점: 추천 시스템으로서의 블룸 필터 101 __6.2.5 피처 스토어 102 6.3 요약 106 CHAPTER 7 모델 및 아키텍처 제공 107 7.1 추천 구조에 따른 아키텍처 107 __7.1.1 아이템별 사용자 추천 108 __7.1.2 쿼리 기반 추천 108 __7.1.3 콘텍스트 기반 추천 110 __7.1.4 시퀀스 기반 추천 111 __7.1.5 왜 추가적인 특징이 필요할까요? 111 7.2 인코더 아키텍처와 콜드 스타트 문제 112 7.3 배포 115 __7.3.1 API로서의 모델 115 __7.3.2 모델 서비스 시작하기 116 __7.3.3 워크플로 오케스트레이션 118 7.4 알림 및 모니터링 120 __7.4.1 스키마 및 선행 조건 121 __7.4.2 통합 테스트 122 __7.4.3 관측 가능성 123 7.5 상용 환경에서의 평가 124 __7.5.1 느린 피드백 125 __7.5.2 모델 지표 125 7.6 지속적인 훈련 및 배포 126 __7.6.1 모델 드리프트 126 __7.6.2 배포 토폴로지 127 7.7 평가 플라이휠 130 __7.7.1 일일 웜 스타트 131 __7.7.2 람다 아키텍처 및 오케스트레이션 132 __7.7.3 로깅 133 __7.7.4 능동 학습 136 7.8 요약 140 CHAPTER 8 모두 하나로 합치기: 데이터 처리 및 집계 추천기 141 8.1 기술 스택 142 8.2 데이터 표현 143 8.3 빅 데이터 프레임워크 145 __8.3.1 클러스터 프레임워크 146 __8.3.2 파이스파크 예제 147 8.4 GloVe 모델 정의 157 __8.4.1 JAX와 Flax 내의 GloVe 모델의 사양 158 __8.4.2 Optax로 GloVe 모델 훈련하기 160 8.5 요약 162 PART III 순위 CHAPTER 9 특징 기반 및 카운팅 기반 추천 165 9.1 이중선형 요인 모델(지표 학습) 166 9.2 특징 기반 웜 스타트 169 9.3 세분화 모델과 하이브리드 171 __9.3.1 태그 기반 추천기 172 __9.3.2 하이브리드화 174 9.4 이중선형 모델의 한계 175 9.5 카운팅 기반 추천기 176 __9.5.1 MPIR로 돌아가기 176 __9.5.2 상관관계 마이닝 178 __9.5.3 동시 출현을 통한 포인트별 상호 정보 180 __9.5.4 동시 출현에서의 유사도 181 __9.5.5 유사도 기반 추천 182 9.6 요약 183 CHAPTER 10 낮은 계수 방법 185 10.1 잠재 공간 185 10.2 도트 곱 유사도 187 10.3 동시 출현 모델 189 10.4 추천기 문제의 계수 줄이기 191 __10.4.1 ALS를 이용한 MF 최적화 193 __10.4.2 MF를 위한 정규화 194 __10.4.3 정규화된 MF 구현 195 __10.4.4 WSABIE 219 10.5 차원 축소 219 __10.5.1 아이소메트릭 임베딩 223 __10.5.2 비선형 국소 측정 가능 임베딩 225 __10.5.3 중심 커널 정렬 226 10.6 선호도 및 판매 확률 227 10.7 추천 시스템 평가를 위한 성향 가중치 적용 228 __10.7.1 성향 229 __10.7.2 심슨의 역설과 교란 완화 231 10.8 요약 233 CHAPTER 11 개인화된 추천 지표 235 11.1 환경 236 __11.1.1 온라인 및 오프라인 236 __11.1.2 사용자 대 아이템 지표 237 __11.1.3 A/B 테스트 238 11.2 재현율과 정밀도 239 __11.2.1 @k 241 __11.2.2 k에서의 정밀도 241 __11.2.3 k에서 재현율 241 __11.2.4 R-정밀도 242 11.3 mAP, MRR, NDCG 242 __11.3.1 mAP 243 __11.3.2 MRR 243 __11.3.3 NDCG 244 __11.3.4 mAP 대 NDCG? 245 __11.3.5 상관계수 246 11.4 친화도에서의 RMSE 247 11.5 적분 형태: AUC 및 cAUC 247 __11.5.1 추천 확률에서 AUC-ROC로 247 __11.5.2 다른 지표와의 비교 248 11.6 BPR 249 11.7 요약 249 CHAPTER 12 순위를 매기기 위한 훈련 251 12.1 추천 시스템에서 순위 결정의 역할 251 12.2 순위 결정 학습 252 12.3 LTR 모델 훈련하기 253 __12.3.1 분류를 통한 순위 결정 253 __12.3.2 회귀를 통한 순위 결정 254 __12.3.3 분류 및 회귀를 통한 순위 결정 255 12.4 WARP 255 12.5 k-차 통계 257 12.6 BM25 258 12.7 멀티모달 검색 261 12.8 요약 261 CHAPTER 13 모두 하나로 합치기: 실험과 순위 결정 263 13.1 실험 팁 263 __13.1.1 단순하게 유지하세요 264 __13.1.2 디버그 출력문 264 __13.1.3 최적화 지연 265 __13.1.4 변경 사항 추적 266 __13.1.5 피처 엔지니어링 사용 266 __13.1.6 이해 지표 대 비즈니스 지표 267 __13.1.7 빠른 반복 수행 267 13.2 스포티파이의 수백만 재생목록 데이터셋 268 __13.2.1 URI 딕셔너리 구축하기 270 __13.2.2 훈련 데이터 구성하기 272 __13.2.3 입력 읽기 275 __13.2.4 문제 모델링하기 277 __13.2.5 손실 함수 구성하기 281 13.3 연습 285 13.4 요약 286 PART IV 서비스 제공 CHAPTER 14 비즈니스 로직 289 14.1 하드 순위 결정 290 14.2 학습된 회피 291 14.3 수동 조정 가중치 292 14.4 재고 건전성 293 14.5 회피 구현하기 294 14.6 모델 기반 회피 296 14.7 요약 297 CHAPTER 15 추천 시스템의 편향성 299 15.1 추천의 다양화 300 __15.1.1 다양성 개선하기 300 __15.1.2 포트폴리오 최적화 적용하기 302 15.2 다중 목적 함수 303 15.3 프레디케이트 푸시다운 304 15.4 공정성 306 15.5 요약 307 CHAPTER 16 가속 구조 309 16.1 샤딩 310 16.2 지역 민감 해싱 310 16.3 k-d 트리 313 16.4 계층적 k-평균 316 16.5 더 저렴한 검색 방법 318 16.6 요약 319 PART V 추천 시스템의 미래 CHAPTER 17 순차적 추천기 323 17.1 마르코프 체인 324 __17.1.1 2차 마르코프 체인 325 __17.1.2 기타 마르코프 모델 326 17.2 RNN 및 CNN 아키텍처 327 17.3 어텐션 아키텍처 329 __17.3.1 셀프 어텐션에 의한 순차적 추천 331 __17.3.2 BERT4Rec 331 __17.3.3 최신성 샘플링 332 __17.3.4 정적 및 순차적 병합 332 17.4 요약 334 CHAPTER 18 추천 시스템의 미래 335 18.1 멀티모달 추천 336 18.2 그래프 기반 추천기 338 __18.2.1 신경망 메시지 전달 339 __18.2.2 애플리케이션 340 __18.2.3 랜덤워크 342 __18.2.4 메타패스와 이질성 343 18.3 LLM 애플리케이션 344 __18.3.1 LLM 추천기 344 __18.3.2 LLM 훈련 345 __18.3.3 추천을 위한 인스트럭트 튜닝 348 __18.3.4 LLM 랭커 348 __18.3.5 AI를 위한 추천 349 18.4 요약 350 찾아보기 352

펼쳐보기접어보기

상세 이미지

저자 소개 (3명)

저 : 브라이언 비쇼프 (Bryan Bischof)

관심작가 알림신청 작가 파일

Hex의 AI 리드. 순수수학 박사 학위를 취득했고, 럿거스 대학교의 겸임 교수로 데이터 과학을 가르치고 있다. 이전에는 웨이트앤바이어스에서 데이터 과학 책임자로 근무하며 DS, ML, 데이터 엔지니어링 팀을 구축했다. 스티치 픽스에서 의류 추천 시스템, 웨이트앤바이어스에서 기술 블로그 게시물 추천 시스템, 블루보틀 커피에서 세계 최초의 커피 추천 시스템을 구축했고, 지금은 AI 에이전트를 위한 추천 시스템을 구... Hex의 AI 리드. 순수수학 박사 학위를 취득했고, 럿거스 대학교의 겸임 교수로 데이터 과학을 가르치고 있다. 이전에는 웨이트앤바이어스에서 데이터 과학 책임자로 근무하며 DS, ML, 데이터 엔지니어링 팀을 구축했다. 스티치 픽스에서 의류 추천 시스템, 웨이트앤바이어스에서 기술 블로그 게시물 추천 시스템, 블루보틀 커피에서 세계 최초의 커피 추천 시스템을 구축했고, 지금은 AI 에이전트를 위한 추천 시스템을 구축하고 있다.

펼쳐보기접어보기

저 : 헥터 이 (Hector Yee)

관심작가 알림신청 작가 파일

컴퓨터 그래픽 석사 학위를 취득했고, 영화(슈렉 2), 게임(커맨드 앤 컨커), 추천 시스템(유튜브) 분야에서 근무한 소프트웨어 엔지니어. 지금은 구글에서 근무하며 이미지 검색의 첫 번째 콘텐츠 기반 랭킹 시스템, 자율주행 자동차 인식, 유튜브 추천 시스템 구축 등 여러 프로젝트에 참여했다. 개인화된 동영상 랭킹 기술 연구로 기술 및 엔지니어링 에미상을 수상했다. 컴퓨터 그래픽 석사 학위를 취득했고, 영화(슈렉 2), 게임(커맨드 앤 컨커), 추천 시스템(유튜브) 분야에서 근무한 소프트웨어 엔지니어. 지금은 구글에서 근무하며 이미지 검색의 첫 번째 콘텐츠 기반 랭킹 시스템, 자율주행 자동차 인식, 유튜브 추천 시스템 구축 등 여러 프로젝트에 참여했다. 개인화된 동영상 랭킹 기술 연구로 기술 및 엔지니어링 에미상을 수상했다.

역 : 동동구

관심작가 알림신청 작가 파일

현재 전략 기획 업무를 수행하고 있다. 이전에는 B2C 및 B2B 웹 애플리케이션, Brew/WIPI/SKVM 등의 피처폰 애플리케이션, iOS/안드로이드/윈도우폰/타이젠 애플리케이션 등의 설계 및 개발, 엔지니어 관리 업무를 수행했다. 최근에는 국내 개발자들을 위해 IT 서적을 번역하고 있으며, 옮긴 책으로는 『파이썬 시계열 예측 분석』(제이펍), 『MLOps 도입 가이드』(한빛미디어), 『파이썬 비동기 라이브... 현재 전략 기획 업무를 수행하고 있다. 이전에는 B2C 및 B2B 웹 애플리케이션, Brew/WIPI/SKVM 등의 피처폰 애플리케이션, iOS/안드로이드/윈도우폰/타이젠 애플리케이션 등의 설계 및 개발, 엔지니어 관리 업무를 수행했다. 최근에는 국내 개발자들을 위해 IT 서적을 번역하고 있으며, 옮긴 책으로는 『파이썬 시계열 예측 분석』(제이펍), 『MLOps 도입 가이드』(한빛미디어), 『파이썬 비동기 라이브러리 Asyncio』(한빛미디어) 등이 있다.

펼쳐보기접어보기

만든 이 코멘트

저자, 역자, 편집자를 위한 공간입니다. 독자들에게 전하고 싶은 말씀을 남겨주세요. 코멘트 쓰기

접수된 글은 확인을 거쳐 이 곳에 게재됩니다.
독자 분들의 리뷰는 리뷰 쓰기를, 책에 대한 문의는 1:1 문의를 이용해 주세요.

책 속으로

추천 시스템을 실무적인 수준으로 이해한다면 사용자에게 콘텐츠를 제공할 때 유용할 뿐만 아니라, RecSys의 기반 원리를 통해 다양한 머신러닝 유형을 습득할 수 있습니다. 예를 들어 기사 추천 시스템에서 자연어 처리(national language processing, NLP)를 활용하여 기사 내 특정 표현을 찾을 수 있고, 순차적 모델링(sequential model)을 통해 사용자 참여를 더 길게 유도하며, 콘텍스트 기반 특징을 활용하여 사용자의 질의에 적절한 검색 결과를 도출할 수 있습니다. 또한 순수한 학문적 관심으로 이 분야를 탐구한다면, RecSys 분야 안에서 수학의 모든 분야에 관련된 연결점이나 활용 사례를 발견할 수 있을 것입니다. --- p.xxi 웨이터는 이 짧은 대화 중에 디저트 메뉴를 확인하고, 현재 재고 상황을 파악하며, 메모를 확인하여 디저트의 특징에 대해 이야기할 준비를 하는 등 수집기의 역할을 수행하고 있습니다. / 다음으로 웨이터는 인기 많은 메뉴(바나나 크림 파이, 도넛 아라모드)와 고객의 특징(석류를 좋아할 경우)에 따라 맥락에 맞춰 어울리는 메뉴를 언급하여 랭커 역할을 합니다. / 마지막으로 웨이터는 알고리즘에 대한 설명과 여러 선택지 등의 추천을 말로 제공합니다. / 다소 뻔해보일 수 있지만, 추천 시스템에 대한 논의는 실제 사업에 바탕을 두어야 한다는 점을 잊어서는 안 됩니다. 그래서 RecSys 분야에서 일할 때 얻을 수 있는 장점 중 하나가 영감은 항상 가까운 곳에 있다는 것입니다. --- p.5 〈오징어 게임〉과 같이 흥미진진한 데뷔작의 경우, 모든 지표가 상승하는 것을 보고 흥분에 휩쓸리기 쉽지만, 이로 인해 부정적인 영향을 받는 지표는 없을까요? 〈오징어 게임〉과 같은 주 또는 1∼2주 내로 프로그램을 배포해야 한다면, 이 모든 성공에 대해 흥분을 할 수는 없을 것입니다. 전반적으로 이러한 성공은 점진적인 성장(incremental growth)으로 이어져 비즈니스 자체에 큰 도움이 되며, 지표가 전체적으로 상승할 것입니다. 그러나 다른 프로그램들은 핵심 사용자층에 대한 제로섬 게임으로 인해 출시 성공률이 떨어질 수 있습니다. 이는 장기적인 지표에 부정적인 영향을 미칠 수 있으며, 이후 추천의 효과도 떨어뜨릴 수 있습니다. --- p.30 MF를 사용하여 사용자-아이템 상호작용 행렬을 모델링하는 추천 시스템을 생각해봅시다. 시스템이 많은 사용자와 아이템으로 구성된 경우, 결과 요인 행렬은 고차원이 되어 계산 비용이 많이 들수 있습니다. 하지만 SVD나 PCA와 같은 차원 축소 기법을 사용하면 알고리즘은 사용자-아이템 상호작용에 대한 가장 중요한 정보를 보존하면서 요인 행렬의 차원을 줄일 수 있습니다. 이를 통해 알고리즘은 새로운 사용자나 상호작용 데이터가 제한적인 아이템에 대해서도 보다 효율적이고 정확한 추천을 생성할 수 있습니다. --- p.223 순차적 추천의 초기 연구는 연속적인 아이템 간의 전환을 모델링하는 데 초점을 두었습니다. 여기에는 마르코프 체인과 번역 기반 방법(translation-based method)이 사용되었습니다. 딥러닝 방법이 NLP에서 가장 큰 성공을 거두면서 순차적 데이터를 모델링하는 데 점점 더 많은 가능성을 보였고, 신경망 아키텍처를 사용하여 사용자 상호작용 기록의 순차적 역학을 모델링하려는 시도가 많이 이루어졌습니다. 이러한 방향의 초기 성공 사례로는 RNN을 사용하여 사용자의 순차적 상호작용을 모델링하는 GRU4Rec이 있습니다. 최근에는 트랜스포머 아키텍처가 순차적 데이터 모델링에서 우수한 성능을 입증했습니다. 트랜스포머 아키텍처는 효율적인 병렬화에 적합하며 장거리 시퀀스를 모델링하는 데 효과적입니다.

--- p.324

펼쳐보기접어보기

출판사 리뷰

추천 시스템의 비밀을 파헤치는 책 현대 비즈니스 환경에서는 고객의 취향에 맞춘 개인화 추천 시스템(RecSys)이 필수다. 그러나 추천 시스템은 다양한 알고리즘, 데이터 처리 기법, 모델 평가 방식 등 여러 요소가 복합적으로 작용하여 접근하기 어렵고, 기존의 ML 커리큘럼에서는 다루지 않는 경우가 많아 실무자들이 막막함을 느끼기 쉽다. 이 책은 추천 시스템을 구축하는 데 필요한 모든 핵심 요소(데이터 수집, 문제 정의, 모델 선택, 평가, 배포)를 명확하고 체계적으로 설명한다. 파이썬과 JAX를 포함한 실습 예제와 함께, 추천 시스템 분야에서 빠르게 변화하는 기술 동향과 MLOps 도구를 활용하는 방법을 제공함으로써 접근하기 어려웠던 상황을 해소할 수 있도록 돕는다. 이 책은 수십 년간의 추천 시스템 발전을 한 권에 집약한 실용적 지침서다. 추상적인 추천 시스템 개념을 실제 적용 가능한 코드와 사례로 풀어낸 이 책을 통해 추천 시스템을 성공적으로 구축해보자. 대상 독자 ●	추천 시스템의 핵심 개념과 알고리즘을 배우고 직접 구현해보고자 하는 머신러닝 엔지니어 ●	대규모 데이터 처리 및 MLOps 도구를 활용하여 추천 시스템 인프라를 구축하고자 하는 개발자 또는 데이터 과학자 ●	고객 맞춤형 추천 기능을 통해 비즈니스 성과를 높이고자 하는 제품 관리자 ●	추천 시스템의 이론적 배경과 실제 구현 사례를 학습과 연구에 활용하려는 연구원 주요 내용 ●	데이터 및 비즈니스 문제를 RecSys 문제로 전환하기 ●	RecSys 구축을 시작하기 위한 필수 데이터 파악하기 ●	RecSys 문제에 적합한 모델을 정하고, 이를 어떻게 평가해야 하는지 결정하기 ●	모델을 구현하고, 훈련하고, 테스트하고, 배포하기 ●	지표를 추적하여 시스템이 계획대로 작동하는지 확인하기 ●	사용자, 제품, 비즈니스 사례를 파악하면서 시스템을 점진적으로 개선하기

펼쳐보기접어보기

배송/반품/교환 안내

배송 안내

배송 안내
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

※ 상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내
반품/교환 방법	마이페이지 > 반품/교환 신청 및 조회, 1:1 문의, 고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태) 모바일 쿠폰의 경우 유효기간(발행 후 1년) 내 등록하지 않은 상품
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 모바일 쿠폰 등록 후 취소/환불 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리

예스이십사(주): 대표 : 김석환, 최세라 주소 : 서울시 영등포구 은행로 11, 5층~6층(여의도동,일신빌딩) 사업자등록번호 : 229-81-37000 통신판매업신고 : 제 2005-02682호 사업자 정보확인 이메일 : yes24help@yes24.com 호스팅 서비스사업자 : 예스이십사(주)
Copyright ⓒ YES24 Corp. All Rights Reserved.

고객문의

도서/음반 1544-3800

중고도서 1566-4295

티켓예매 1544-6399

eBook 1:1문의/채팅상담
1:1 문의하기 자주 묻는 질문 상담시간 안내

ATOM

YES24 카테고리 리스트

YES24 유틸메뉴

어깨배너

빠른분야찾기

파이썬과 JAX로 추천 시스템 구축하기

만들면서 배우는 대규모 상용 추천 시스템

파이썬과 JAX로 추천 시스템 구축하기

품목정보

관련분류

카드뉴스로 보는 책

책소개

목차

상세 이미지

저자 소개 (3명)

만든 이 코멘트

책 속으로

출판사 리뷰

추천평

배송/반품/교환 안내

도착예상일

AI 리뷰 요약

도착예상일
상품준비	출고완료	도착예상일