{"product_id":"111035","title":"패턴 인식과 머신 러닝","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYED7oHoYRKYNNpvXfEspPr3e0mYZ.png?v=1765048543\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\u003ccenter\u003e\n\u003cdiv style=\"width:95%\"\u003e\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e패턴 인식과 머신 러닝\u003c\/div\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/64189352\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003eDescription\u003c\/div\u003e\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e책소개\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e \u003cdiv\u003e  이 책은 지난 수십 년간 발전되어 온 확률\/통계 기반의 패턴 인식과 머신 러닝 분야의 전반적인 내용을 다루고 있다.\u003cbr\u003e내용을 이해하는 데 있어서 패턴 인식이나 머신 러닝 분야에 대한 사전 지식은 필요하지 않지만, 다변량 미적분과 기초 선형 대수학을 다뤄본 경험은 필요하다.\u003cbr\u003e또한 기초적인 확률 이론에 대한 소개가 포함되어 있으므로 확률론에 대한 기초 지식이 반드시 필요하지는 않다.\u003cbr\u003e기본적으로 학부 고학년생들이나 박사과정 1년 차 학생들을 대상으로 하고 있으나, 해당 분야의 연구자들이나 업계에서 머신 러닝을 활용하는 사람들이 읽기에도 적합하다.\u003cbr\u003e그리고 머신 러닝, 통계, 컴퓨터 공학, 신호 처리, 컴퓨터 비전, 데이터 마이닝, 바이오 인포매틱스와 같은 분야의 강의 과정에서 사용하기도 적합하다.\u003cbr\u003e\n\u003c\/div\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cul\u003e \u003cli\u003e 책의 일부 내용을 미리 읽어보실 수 있습니다.\u003cbr\u003e\u003cspan\u003e미리보기\u003c\/span\u003e\n\u003c\/li\u003e \u003c\/ul\u003e \u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e목차\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e  CHAPTER 1 소개 1\u003cbr\u003e1.1 예시: 다항식 곡선 피팅 _ 5\u003cbr\u003e1.2 확률론 _ 13\u003cbr\u003e1.3 모델 선택 _ 36\u003cbr\u003e1.4 차원의 저주 _ 37\u003cbr\u003e1.5 결정 이론 _ 42\u003cbr\u003e1.6 정보 이론 _ 54\u003cbr\u003e\u003cbr\u003eCHAPTER 2 확률 분포 75\u003cbr\u003e2.1 이산 확률 변수 _ 76\u003cbr\u003e2.2 다항 변수 _ 83\u003cbr\u003e2.3 가우시안 분포 _ 87\u003cbr\u003e2.4 지수족 _ 126\u003cbr\u003e2.5 비매개변수적 방법 _ 134\u003cbr\u003e\u003cbr\u003eCHAPTER 3 선형 회귀 모델 155\u003cbr\u003e3.1 선형 기저 함수 모델 _ 156\u003cbr\u003e3.2 편향 분산 분해 _ 166\u003cbr\u003e3.3 베이지안 선형 회귀 _ 172\u003cbr\u003e3.4 베이지안 모델 비교 _ 181\u003cbr\u003e3.5 증거 근사 _ 186\u003cbr\u003e\u003cbr\u003eCHAPTER 4 선형 분류 모델 201\u003cbr\u003e4.1 판별 함수 _ 203\u003cbr\u003e4.2 확률적 생성 모델 _ 221\u003cbr\u003e4.3 확률적 판별 모델 _ 229\u003cbr\u003e4.4 라플라스 근사 _ 240\u003cbr\u003e4.5 베이지안 로지스틱 회귀 _ 245\u003cbr\u003e\u003cbr\u003eCHAPTER 5 뉴럴 네트워크 253\u003cbr\u003e5.1 피드 포워드 네트워크 함수 _ 255\u003cbr\u003e5.2 네트워크 훈련 _ 261\u003cbr\u003e5.3 오차 역전파 _ 271\u003cbr\u003e5.4 헤시안 행렬 _ 281\u003cbr\u003e5.5 뉴럴 네트워크에서의 정규화 _ 289\u003cbr\u003e5.6 혼합 밀도 네트워크 _ 306\u003cbr\u003e5.7 베이지안 뉴럴 네트워크 _ 312\u003cbr\u003e\u003cbr\u003eCHAPTER 6 커널 방법론 327\u003cbr\u003e6.1 듀얼 표현 _ 329\u003cbr\u003e6.2 커널의 구성 _ 330\u003cbr\u003e6.3 방사 기저 함수 네트워크 _ 336\u003cbr\u003e6.4 가우시안 과정 _ 341\u003cbr\u003e\u003cbr\u003eCHAPTER 7 희박한 커널 머신 363\u003cbr\u003e7.1 최대 마진 분류기 _ 364\u003cbr\u003e7.2 상관 벡터 머신 _ 387\u003cbr\u003e\u003cbr\u003eCHAPTER 8 그래프 모델 403\u003cbr\u003e8.1 베이지안 네트워크 _ 404\u003cbr\u003e8.2 조건부 독립 _ 418\u003cbr\u003e8.3 마르코프 무작위장 _ 431\u003cbr\u003e8.4 그래프 모델에서의 추론 _ 443\u003cbr\u003e\u003cbr\u003eCHAPTER 9 혼합 모델과 EM 477\u003cbr\u003e9.1 K 평균 집단화 _ 478\u003cbr\u003e9.2 혼합 가우시안 _ 485\u003cbr\u003e9.3 EM에 대한 다른 관점 _ 495\u003cbr\u003e9.4 일반적 EM 알고리즘 _ 507\u003cbr\u003e\u003cbr\u003eCHAPTER 10 근사 추정 517\u003cbr\u003e10.1 변분적 추론 _ 518\u003cbr\u003e10.2 예시: 변분적 가우시안 혼합 분포 _ 531\u003cbr\u003e10.3 변분적 선형 회귀 _ 545\u003cbr\u003e10.4 지수족 분포 _ 549\u003cbr\u003e10.5 지역적 변분 방법론 _ 552\u003cbr\u003e10.6 변분적 로지스틱 회귀 _ 558\u003cbr\u003e10.7 EP _ 566\u003cbr\u003e\u003cbr\u003eCHAPTER 11 표집법 587\u003cbr\u003e11.1 기본적인 표집 알고리즘 _ 590\u003cbr\u003e11.2 마르코프 연쇄 몬테 카를로 _ 603\u003cbr\u003e11.3 기브스 표집법 _ 608\u003cbr\u003e11.4 조각 표집법 _ 613\u003cbr\u003e11.5 하이브리드 몬테 카를로 알고리즘 _ 615\u003cbr\u003e11.6 분할 함수 추정 _ 622\u003cbr\u003e\u003cbr\u003eCHAPTER 12 연속 잠재 변수 627\u003cbr\u003e12.1 PCA _ 629\u003cbr\u003e12.2 확률적 PCA _ 640\u003cbr\u003e12.3 커널 PCA _ 657\u003cbr\u003e12.4 비선형 잠재 변수 모델 _ 662\u003cbr\u003e\u003cbr\u003eCHAPTER 13 순차 데이터 677\u003cbr\u003e13.1 마르코프 모델 _ 679\u003cbr\u003e13.2 은닉 마르코프 모델 _ 682\u003cbr\u003e13.3 선형 동적 시스템 _ 710\u003cbr\u003e\u003cbr\u003eCHAPTER 14 모델 조합 729\u003cbr\u003e14.1 베이지안 모델 평균 _ 730\u003cbr\u003e14.2 위원회 방식 _ 732\u003cbr\u003e14.3 부스팅 _ 733\u003cbr\u003e14.4 트리 기반 모델 _ 740\u003cbr\u003e14.5 조건부 혼합 모델 _ 744\u003cbr\u003e\u003cbr\u003e부록 A.\u003cbr\u003e데이터 집합 757\u003cbr\u003e손글씨 숫자 _ 757\u003cbr\u003e오일 흐름 _ 758\u003cbr\u003e오래된 믿음 _ 761\u003cbr\u003e합성 데이터 _ 762\u003cbr\u003e\u003cbr\u003e부록 B.\u003cbr\u003e확률 분포 765\u003cbr\u003e베르누이 분포 _ 765\u003cbr\u003e베타 분포 _ 766\u003cbr\u003e이항 분포 _ 766\u003cbr\u003e디리클레 분포 _ 767\u003cbr\u003e감마 분포 _ 768\u003cbr\u003e가우시안 분포 _ 768\u003cbr\u003e가우시안 감마 분포 _ 770\u003cbr\u003e가우시안 위샤트 분포 _ 770\u003cbr\u003e다항 분포 _ 771\u003cbr\u003e정규 분포 _ 772\u003cbr\u003e스튜던트 t 분포 _ 772\u003cbr\u003e균등 분포 _ 773\u003cbr\u003e폰 미제스 분포 _ 773\u003cbr\u003e위샤트 분포 _ 774\u003cbr\u003e\u003cbr\u003e부록 C.\u003cbr\u003e행렬의 성질 775기본 행렬 성질 _ 775\u003cbr\u003e대각합과 행렬식 _ 777\u003cbr\u003e행렬 미분 _ 778\u003cbr\u003e고윳값 공식 _ 779\u003cbr\u003e\u003cbr\u003e부록 D.\u003cbr\u003e변분법 783\u003cbr\u003e\u003cbr\u003e부록 E.\u003cbr\u003e라그랑주 승수법 787\u003cbr\u003e \u003c\/div\u003e \u003cdiv\u003e\u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e상세 이미지\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e \u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate1973\/MidCate001\/197208925.jpg\" border=\"0\" alt=\"상세 이미지 1\"\u003e \u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e책 속으로\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e \u003cdiv\u003e  주어진 데이터에서 어떤 특정한 패턴을 찾아내는 것은 때때로 아주 중요한 문제다.\u003cbr\u003e이 문제에 대해서 인류는 오랜 시간 동안 답을 찾아왔으며, 성공적으로 패턴을 찾아내곤 했다.\u003cbr\u003e예를 들어, 요하네스 케플러(Johannes Kepler)는 티코 브라헤(Tycho Brahe)가 16세기에 관찰하여 축적해 놓은 대량의 천문학 데이터에서 패턴을 찾아내어 케플러의 행성 운동 법칙을 발견했다.\u003cbr\u003e이 법칙은 고전 역학의 밑거름이 되었다.\u003cbr\u003e또 다른 예로, 원자 스펙트럼에서 규칙성을 발견해 낸 것은 20세기 초의 양자 물리학의 발전과 확인에 중요한 역할을 해냈다.\u003cbr\u003e이처럼 패턴 인식은 컴퓨터 알고리즘을 활용하여 데이터의 규칙성을 자동적으로 찾아내고, 이 규칙성을 이용하여 데이터를 각각의 카테고리로 분류하는 등의 일을 하는 분야다.\u003cbr\u003e_1p\u003cbr\u003e\u003cbr\u003e매개변수적인 접근법의 한계점 한 가지는 분포가 특정한 함수의 형태를 띠고 있다고 가정한다는 것이다.\u003cbr\u003e몇몇 적용 사례의 경우에는 이 가정이 적절하지 않다 이런 경우에는 비매개변수적(nonparametric) 밀도 추정 방식이 대안으로 활용될 수 있다.\u003cbr\u003e비매개변수적 밀도 추정 방식에서는 분포의 형태가 데이터 집합의 크기에 대해 종속적이다.\u003cbr\u003e이러한 모델들은 여전히 매개변수를 가지고 있지만, 이 매개변수들은 분포 형태를 결정짓는 것이 아니라 모델의 복잡도에 영향을 미친다.\u003cbr\u003e또한, 이 장 마지막에서는 히스토그램, 최근접 이웃, 커널을 바탕으로 한 비매개변수적 방법에 대해서 살펴볼 것이다.\u003cbr\u003e_76p\u003cbr\u003e\u003cbr\u003e이 장에서는 특정 함수의 형태를 가진 확률 분포들에 대해 살펴보았다.\u003cbr\u003e그리고 이 분포들은 데이터 집합에 의해 결정되는 적은 수의 매개변수에 의해 조절되었다.\u003cbr\u003e이러한 방법을 밀도 모델링의 매개변수적(parametric) 방법이라고 한다.\u003cbr\u003e이 방법론의 중요한 한계점은 선택된 밀도 함수가 관측된 데이터를 만들어낸 분포를 표현하기에 적절하지 않은 모델이었을 수도 있다는 점이다.\u003cbr\u003e이 경우 모델의 예측 성능이 매우 떨어지게 된다.\u003cbr\u003e예를 들어, 데이터를 만들어낸 원 분포가 다봉 분포였을 경우 단봉 분포인 가우시안 분포를 사용해서는 이 다봉성의 성질을 절대로 잡아낼 수가 없다.\u003cbr\u003e134p\u003cbr\u003e\u003cbr\u003e모델의 매개변숫값에 대한 점 추정을 시행하는 대신에 해당 매개변수를 바탕으로 주변화(합산 혹은 적분)를 시행함으로써 최대 가능도 방법과 연관된 과적합 문제를 피할 수 있다.\u003cbr\u003e이 경우 훈련 집합을 바탕으로 모델들을 직접 비교할 수 있어 검증 집합이 필요하지 않게 된다.\u003cbr\u003e모든 사용 가능한 데이터들을 훈련에 쓸 수 있으며, 교차 검증법을 시행하기 위해 필요한 각 모델에 대한 여러 번의 훈련을 피할 수 있다.\u003cbr\u003e또한, 여러 복잡도 매개변수들을 한 번의 훈련 과정에서 동시에 결정할 수 있다.\u003cbr\u003e예를 들어, 7장에서는 상관 벡터 머신(relevance vector machine)에 대해 살펴보게 될 것인데, 이는 각각의 훈련 데이터 포인트 하나마다 하나씩의 복잡도 매개변수를 가지는 베이지안 모델이다.\u003cbr\u003e_182p\u003cbr\u003e\u003cbr\u003e‘뉴럴 네트워크(neural network)’라는 용어는 생물학 시스템상에서의 정보 처리 과정을 수학적으로 표현하고자 하는 노력으로부터 기인하였으며(McCulloch and Pitts, 1943; Widrow and Hoff, 1960; Rosenblatt, 1962; Rumelhart et al., 1986), 또한, 다양한 모델들을 표현하는 용어로서 매우 포괄적으로서 사용되어 왔다.\u003cbr\u003e이 모델들 중 일부는 그 생물학적 타당성이 과장되었다는 의심을 받기도 했다.\u003cbr\u003e하지만 패턴 인식의 응용 측면에서 보자면 생물학적으로 실제 현실에 가까운지 아닌지는 불필요한 추가적 제약 조건일 뿐이다.\u003cbr\u003e따라서 이 장에서는 효과적인 통계적 패턴 인식 모델로써의 뉴럴 네트워크에 대한 논의에 초점을 맞출 것이다.\u003cbr\u003e특히, 뉴럴 네트워크들 중에서 실제적인 가치를 가장 많이 주는 것으로 증명된 다층 퍼셉트론 모델에 대해 집중적으로 살펴볼 것이다.\u003cbr\u003e_254p\u003cbr\u003e\u003cbr\u003e만약 우리가 관측 변수와 잠재 변수들에 대한 결합 분포를 정의한다면, 이에 해당하는 관측 변수들만의 분포는 주변화를 통해서 구할 수 있다.\u003cbr\u003e이는 복잡한 관측 변수들에 대한 주변 분포를 상대적으로 더 다루기 쉬운 관측 변수와 잠재 변수 확장 공간상의 결합 분포를 통해서 표현할 수 있도록 해준다.\u003cbr\u003e따라서 잠재 변수를 도입하면 단순한 원소들을 바탕으로 복잡한 분포를 구성할 수 있다.\u003cbr\u003e이번 장에서는 이산 잠재 변수를 바탕으로 해석할 수 있는 혼합 모델들에 대해 살펴볼 것이다.\u003cbr\u003e이 예시로는 앞의 2.3.9절에서 살펴본 가우시안 혼합 모델이 있다.\u003cbr\u003e연속적인 잠재 변수에 대해서는 12장에서 살펴볼 것이다.\u003cbr\u003e_477p\u003cbr\u003e\u003cbr\u003e \u003c\/div\u003e \u003cdiv\u003e--- 본문 중에서\u003c\/div\u003e \u003c\/div\u003e \u003cdiv\u003e\u003c\/div\u003e \u003c\/div\u003e \u003cbr\u003e\u003cdiv\u003e \u003ch5\u003e\u003cb\u003e출판사 리뷰\u003c\/b\u003e\u003c\/h5\u003e \u003c\/div\u003e \u003cdiv\u003e \u003cdiv\u003e  \u003cb\u003e현대 패턴 인식과 머신 러닝의 개념과 효과적 이해를 위한 수학적 사고!\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e지난 수년간 머신 러닝은 그 어느 때보다도 뜨거운 관심을 받았다.\u003cbr\u003e특히, 2016년 알파고와 이세돌 9단의 대국은 더 많은 사람이 인공지능 분야에 관심을 가지게 하는 촉매제가 되었다.\u003cbr\u003e이는 딥 러닝을 비롯한 여러 머신 러닝 알고리즘의 성능이 최근 매우 향상되었기 때문이다.\u003cbr\u003e\u003cbr\u003e머신 러닝은 최근에 새롭게 생겨난 기술이 아니다.\u003cbr\u003e데이터를 기반으로 해서 최적화 문제를 풀거나 예측해야 하는 다양한 분야에서 이미 오랜 시간 동안 머신 러닝 기술이 활용되었다.\u003cbr\u003e최근에 가장 주목을 받고 있는 딥 러닝은 수십 년 전에 처음 제안된 뉴럴 네트워크 알고리즘이 기반이다.\u003cbr\u003e오랜 시간 동안 학계로부터 외면받고 있었던 뉴럴 네트워크 기술이 GPU 등 하드웨어의 발전과 구글\/페이스북 등의 회사에서 발생하는 엄청난 양의 데이터, 여러 알고리즘 개선법 등을 만나면서 새로운 모습을 보이게 된 것이다.\u003cbr\u003e\u003cbr\u003e이 책은 지난 수십 년간 발전되어 온 확률\/통계 기반의 패턴 인식과 머신 러닝 분야의 전반적인 내용을 다루고 있다.\u003cbr\u003e내용을 이해하는 데 있어서 패턴 인식이나 머신 러닝 분야에 대한 사전 지식은 필요하지 않지만, 다변량 미적분과 기초 선형 대수학을 다뤄본 경험은 필요하다.\u003cbr\u003e또한 기초적인 확률 이론에 대한 소개가 포함되어 있으므로 확률론에 대한 기초 지식이 반드시 필요하지는 않다.\u003cbr\u003e기본적으로 학부 고학년생들이나 박사과정 1년 차 학생들을 대상으로 하고 있으나, 해당 분야의 연구자들이나 업계에서 머신 러닝을 활용하는 사람들이 읽기에도 적합하다.\u003cbr\u003e그리고 머신 러닝, 통계, 컴퓨터 공학, 신호 처리, 컴퓨터 비전, 데이터 마이닝, 바이오 인포매틱스와 같은 분야의 강의 과정에서 사용하기도 적합하다.\u003cbr\u003e\n\u003c\/div\u003e \u003cdiv\u003e\u003c\/div\u003e \u003c\/div\u003e \u003c\/div\u003e\n\u003c\/div\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003eGOODS SPECIFICS\u003c\/div\u003e\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003e발행일 : \u003c\/strong\u003e2018년 09월 10일\u003c\/div\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003e쪽수, 무게, 크기 : \u003c\/strong\u003e852쪽 | 1,662g | 188*245*37mm\u003c\/div\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003eISBN13 : \u003c\/strong\u003e9791188621255\u003c\/div\u003e\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003eISBN10 : \u003c\/strong\u003e1188621254\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\u003ccenter\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003cspan\u003e\u003c\/span\u003e\n\u003c\/center\u003e\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43892979564586,"sku":"111035","price":68.96,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/2a02bf2b3c6828e6fe50e57ab6d2270a.jpg?v=1765384430","url":"https:\/\/librairie.coreenne.fr\/ko\/products\/111035","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}