Soumettre la recherche
Mettre en ligne
[PYCON KOREA 2017] Python 입문자의 Data Science(Kaggle) 도전
•
81 j'aime
•
24,192 vues
Mijeong Park
Suivre
[PYCON KOREA 2017] Python 입문자의 Data Science(Kaggle) 도전
Lire moins
Lire la suite
Ingénierie
Signaler
Partager
Signaler
Partager
1 sur 85
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
데이터는 차트가 아니라 돈이 되어야 한다.
데이터는 차트가 아니라 돈이 되어야 한다.
Yongho Ha
화성에서 온 개발자, 금성에서 온 기획자
화성에서 온 개발자, 금성에서 온 기획자
Yongho Ha
서버학개론(백엔드 서버 개발자를 위한)
서버학개론(백엔드 서버 개발자를 위한)
수보 김
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
Juhong Park
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
Taehoon Ko
로그 기깔나게 잘 디자인하는 법
로그 기깔나게 잘 디자인하는 법
Jeongsang Baek
머신러닝 해외 취업 준비: 닳고 닳은 이력서와 고통스러웠던 면접을 돌아보며 SNU 2018
머신러닝 해외 취업 준비: 닳고 닳은 이력서와 고통스러웠던 면접을 돌아보며 SNU 2018
Taehoon Kim
創薬・バイオ~マルチモダリティ・AI時代~
創薬・バイオ~マルチモダリティ・AI時代~
Takumi Kojo
Recommandé
데이터는 차트가 아니라 돈이 되어야 한다.
데이터는 차트가 아니라 돈이 되어야 한다.
Yongho Ha
화성에서 온 개발자, 금성에서 온 기획자
화성에서 온 개발자, 금성에서 온 기획자
Yongho Ha
서버학개론(백엔드 서버 개발자를 위한)
서버학개론(백엔드 서버 개발자를 위한)
수보 김
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
Juhong Park
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
Taehoon Ko
로그 기깔나게 잘 디자인하는 법
로그 기깔나게 잘 디자인하는 법
Jeongsang Baek
머신러닝 해외 취업 준비: 닳고 닳은 이력서와 고통스러웠던 면접을 돌아보며 SNU 2018
머신러닝 해외 취업 준비: 닳고 닳은 이력서와 고통스러웠던 면접을 돌아보며 SNU 2018
Taehoon Kim
創薬・バイオ~マルチモダリティ・AI時代~
創薬・バイオ~マルチモダリティ・AI時代~
Takumi Kojo
ChatGPT에 대한 인문학적 이해
ChatGPT에 대한 인문학적 이해
Wonjun Hwang
ソフトウェア開発の歴史を振り返る
ソフトウェア開発の歴史を振り返る
demuyan
Getting started with MLOps
Getting started with MLOps
yusuke shibui
Raleigh seo-most-valuable-seo-presentation-patrick-stox
Raleigh seo-most-valuable-seo-presentation-patrick-stox
patrickstox
파이썬을 활용한 웹 크롤링
파이썬을 활용한 웹 크롤링
HWANGTAEYONG
Building Data Products with BigQuery for PPC and SEO (SMX 2022)
Building Data Products with BigQuery for PPC and SEO (SMX 2022)
Christopher Gutknecht
비정형 데이터를 기반으로 한 빅데이터 필요기술 및 적용사례
비정형 데이터를 기반으로 한 빅데이터 필요기술 및 적용사례
JeongHeon Lee
Building NLP applications with Transformers
Building NLP applications with Transformers
Julien SIMON
글쓰는 개발자 모임, 글또
글쓰는 개발자 모임, 글또
Seongyun Byeon
SQLおじさん(自称)がBigQueryのStandard SQLを使ってみた
SQLおじさん(自称)がBigQueryのStandard SQLを使ってみた
Kumano Ryo
Random Thoughts on Paper Implementations [KAIST 2018]
Random Thoughts on Paper Implementations [KAIST 2018]
Taehoon Kim
인공지능추천시스템 airs개발기_모델링과시스템
인공지능추천시스템 airs개발기_모델링과시스템
NAVER D2
SharePoint Online を JavaScript でイジる。
SharePoint Online を JavaScript でイジる。
Hirofumi Ota
개발자를 위한 (블로그) 글쓰기 intro
개발자를 위한 (블로그) 글쓰기 intro
Seongyun Byeon
How Search Works
How Search Works
Ahrefs
Intention de recherche : véritable hype ou simple pilier ? SEO By Night 2024
Intention de recherche : véritable hype ou simple pilier ? SEO By Night 2024
Laura Blanchard - Agence KHOSI
제1화 추천 시스템 이란.ppt
제1화 추천 시스템 이란.ppt
choi kyumin
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
Hyojun Jeon
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
Seongyun Byeon
2023년 인공지능 서비스 트렌드
2023년 인공지능 서비스 트렌드
SK(주) C&C - 강병호
T ka kr_4th
T ka kr_4th
Subin An
애자일 머신러닝
애자일 머신러닝
Seungil You
Contenu connexe
Tendances
ChatGPT에 대한 인문학적 이해
ChatGPT에 대한 인문학적 이해
Wonjun Hwang
ソフトウェア開発の歴史を振り返る
ソフトウェア開発の歴史を振り返る
demuyan
Getting started with MLOps
Getting started with MLOps
yusuke shibui
Raleigh seo-most-valuable-seo-presentation-patrick-stox
Raleigh seo-most-valuable-seo-presentation-patrick-stox
patrickstox
파이썬을 활용한 웹 크롤링
파이썬을 활용한 웹 크롤링
HWANGTAEYONG
Building Data Products with BigQuery for PPC and SEO (SMX 2022)
Building Data Products with BigQuery for PPC and SEO (SMX 2022)
Christopher Gutknecht
비정형 데이터를 기반으로 한 빅데이터 필요기술 및 적용사례
비정형 데이터를 기반으로 한 빅데이터 필요기술 및 적용사례
JeongHeon Lee
Building NLP applications with Transformers
Building NLP applications with Transformers
Julien SIMON
글쓰는 개발자 모임, 글또
글쓰는 개발자 모임, 글또
Seongyun Byeon
SQLおじさん(自称)がBigQueryのStandard SQLを使ってみた
SQLおじさん(自称)がBigQueryのStandard SQLを使ってみた
Kumano Ryo
Random Thoughts on Paper Implementations [KAIST 2018]
Random Thoughts on Paper Implementations [KAIST 2018]
Taehoon Kim
인공지능추천시스템 airs개발기_모델링과시스템
인공지능추천시스템 airs개발기_모델링과시스템
NAVER D2
SharePoint Online を JavaScript でイジる。
SharePoint Online を JavaScript でイジる。
Hirofumi Ota
개발자를 위한 (블로그) 글쓰기 intro
개발자를 위한 (블로그) 글쓰기 intro
Seongyun Byeon
How Search Works
How Search Works
Ahrefs
Intention de recherche : véritable hype ou simple pilier ? SEO By Night 2024
Intention de recherche : véritable hype ou simple pilier ? SEO By Night 2024
Laura Blanchard - Agence KHOSI
제1화 추천 시스템 이란.ppt
제1화 추천 시스템 이란.ppt
choi kyumin
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
Hyojun Jeon
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
Seongyun Byeon
2023년 인공지능 서비스 트렌드
2023년 인공지능 서비스 트렌드
SK(주) C&C - 강병호
Tendances
(20)
ChatGPT에 대한 인문학적 이해
ChatGPT에 대한 인문학적 이해
ソフトウェア開発の歴史を振り返る
ソフトウェア開発の歴史を振り返る
Getting started with MLOps
Getting started with MLOps
Raleigh seo-most-valuable-seo-presentation-patrick-stox
Raleigh seo-most-valuable-seo-presentation-patrick-stox
파이썬을 활용한 웹 크롤링
파이썬을 활용한 웹 크롤링
Building Data Products with BigQuery for PPC and SEO (SMX 2022)
Building Data Products with BigQuery for PPC and SEO (SMX 2022)
비정형 데이터를 기반으로 한 빅데이터 필요기술 및 적용사례
비정형 데이터를 기반으로 한 빅데이터 필요기술 및 적용사례
Building NLP applications with Transformers
Building NLP applications with Transformers
글쓰는 개발자 모임, 글또
글쓰는 개발자 모임, 글또
SQLおじさん(自称)がBigQueryのStandard SQLを使ってみた
SQLおじさん(自称)がBigQueryのStandard SQLを使ってみた
Random Thoughts on Paper Implementations [KAIST 2018]
Random Thoughts on Paper Implementations [KAIST 2018]
인공지능추천시스템 airs개발기_모델링과시스템
인공지능추천시스템 airs개발기_모델링과시스템
SharePoint Online を JavaScript でイジる。
SharePoint Online を JavaScript でイジる。
개발자를 위한 (블로그) 글쓰기 intro
개발자를 위한 (블로그) 글쓰기 intro
How Search Works
How Search Works
Intention de recherche : véritable hype ou simple pilier ? SEO By Night 2024
Intention de recherche : véritable hype ou simple pilier ? SEO By Night 2024
제1화 추천 시스템 이란.ppt
제1화 추천 시스템 이란.ppt
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
2023년 인공지능 서비스 트렌드
2023년 인공지능 서비스 트렌드
Similaire à [PYCON KOREA 2017] Python 입문자의 Data Science(Kaggle) 도전
T ka kr_4th
T ka kr_4th
Subin An
애자일 머신러닝
애자일 머신러닝
Seungil You
[WTM18] 커리어에 데이터사이언스 더하기
[WTM18] 커리어에 데이터사이언스 더하기
Joeun Park
데이터를 얻으려는 노오오력
데이터를 얻으려는 노오오력
Youngjae Kim
두 번째 startlink.live: 김재홍 (xhark) - 알고리즘 문제 출제 전략
두 번째 startlink.live: 김재홍 (xhark) - 알고리즘 문제 출제 전략
Startlink
(독서광) 책 vs 책: 정형 vs 비정형 딥러닝
(독서광) 책 vs 책: 정형 vs 비정형 딥러닝
Jay Park
Pycon korea 2018 kaggle tutorial(kaggle break)
Pycon korea 2018 kaggle tutorial(kaggle break)
Yeonmin Kim
데이터를 비즈니스에 활용하기 왜 어려울까?
데이터를 비즈니스에 활용하기 왜 어려울까?
Glen Park
[NDC18] 나는 테스트 정책대로 살기로 했다.(코멘터리)
[NDC18] 나는 테스트 정책대로 살기로 했다.(코멘터리)
Wooram Hwang
딥러닝 세계에 입문하기 위반 분투
딥러닝 세계에 입문하기 위반 분투
Ubuntu Korea Community
Things Data Scientists Should Keep in Mind
Things Data Scientists Should Keep in Mind
Dataya Nolja
프로그램 기초
프로그램 기초
Minsuk Lee
[PandoraCube] 구글 애널리틱스 소개
[PandoraCube] 구글 애널리틱스 소개
PandoraCube , Sejong University
효율적 데이터 과학을 위한 7가지 팁
효율적 데이터 과학을 위한 7가지 팁
Jaimie Kwon (권재명)
RUCK 2017 권재명 효율적 데이터 과학과 데이터 조직을 위한 7가지 요인
RUCK 2017 권재명 효율적 데이터 과학과 데이터 조직을 위한 7가지 요인
r-kor
제주 GDG 발표자료
제주 GDG 발표자료
Jicheol Woo
Chapter 11 Practical Methodology
Chapter 11 Practical Methodology
KyeongUkJang
알아두면 쓸데있는 신비한 딥러닝 이야기
알아두면 쓸데있는 신비한 딥러닝 이야기
Kwangsik Lee
(책 소개) 데이터 분석가의 숫자유감
(책 소개) 데이터 분석가의 숫자유감
Jay Park
1.introduction(epoch#2)
1.introduction(epoch#2)
Haesun Park
Similaire à [PYCON KOREA 2017] Python 입문자의 Data Science(Kaggle) 도전
(20)
T ka kr_4th
T ka kr_4th
애자일 머신러닝
애자일 머신러닝
[WTM18] 커리어에 데이터사이언스 더하기
[WTM18] 커리어에 데이터사이언스 더하기
데이터를 얻으려는 노오오력
데이터를 얻으려는 노오오력
두 번째 startlink.live: 김재홍 (xhark) - 알고리즘 문제 출제 전략
두 번째 startlink.live: 김재홍 (xhark) - 알고리즘 문제 출제 전략
(독서광) 책 vs 책: 정형 vs 비정형 딥러닝
(독서광) 책 vs 책: 정형 vs 비정형 딥러닝
Pycon korea 2018 kaggle tutorial(kaggle break)
Pycon korea 2018 kaggle tutorial(kaggle break)
데이터를 비즈니스에 활용하기 왜 어려울까?
데이터를 비즈니스에 활용하기 왜 어려울까?
[NDC18] 나는 테스트 정책대로 살기로 했다.(코멘터리)
[NDC18] 나는 테스트 정책대로 살기로 했다.(코멘터리)
딥러닝 세계에 입문하기 위반 분투
딥러닝 세계에 입문하기 위반 분투
Things Data Scientists Should Keep in Mind
Things Data Scientists Should Keep in Mind
프로그램 기초
프로그램 기초
[PandoraCube] 구글 애널리틱스 소개
[PandoraCube] 구글 애널리틱스 소개
효율적 데이터 과학을 위한 7가지 팁
효율적 데이터 과학을 위한 7가지 팁
RUCK 2017 권재명 효율적 데이터 과학과 데이터 조직을 위한 7가지 요인
RUCK 2017 권재명 효율적 데이터 과학과 데이터 조직을 위한 7가지 요인
제주 GDG 발표자료
제주 GDG 발표자료
Chapter 11 Practical Methodology
Chapter 11 Practical Methodology
알아두면 쓸데있는 신비한 딥러닝 이야기
알아두면 쓸데있는 신비한 딥러닝 이야기
(책 소개) 데이터 분석가의 숫자유감
(책 소개) 데이터 분석가의 숫자유감
1.introduction(epoch#2)
1.introduction(epoch#2)
[PYCON KOREA 2017] Python 입문자의 Data Science(Kaggle) 도전
1.
Python 입문자의 Data Science(Kaggle)
도전 박미정
2.
나는 누구에요?
3.
나는 누구에요? 아이오라는 스타트업에서
스위처를 만들고 개발팀을 리드하고 있어요
4.
누구를 위한 발표인가? 저처럼,
Python과 데이터 분석을 이제 막 시도하시려는 분들을 위한 발표에요
5.
발표의 목적은? 발표를 듣고
집으로 돌아가셔서, 데이터 분석이 뭔지 아직도 감은 잘 안오지만 튜토리얼 문제를 시도하면서 공부를 시작하도록 돕는 것
6.
발표를 간단히 요약하면 제가
얼마나 Python과 데이터 분석 초보인지 밝힘으로써 용기를 드리고, 데이터 분석 공부를 시작하게 된 계기와, 데이터 분석 공부를 위한 기본적인 환경, 실제로 Python을 이용하여 Kaggle 문제에 접근한 사례를 공유하게 되요
7.
나는 왜 Python과
데이터 분석을? Last 30 Days by WakaTime
8.
나는 왜 Python과
데이터 분석을? 지난 한 달 동안 주로 사용한 언어에 Python은 보이지 않아요
9.
나는 왜 Python과
데이터 분석을? 집에는 파이썬, 머신러닝, 딥러닝 책들이 먼지와 함께 쌓여있어요
10.
나는 왜 Python과
데이터 분석을? 제가 파이콘에서 스피커로 자격이 있는지 모르겠어요
11.
나는 왜 Python과
데이터 분석을? 하지만, Back to the Basic 용기를 내어 보았어요
12.
나는 왜 Python과
데이터 분석을? 역시 저는 몰랐지만, 데이터 분석에는 여러 유형이 있어요
13.
나는 왜 Python과
데이터 분석을? 주어진 데이터를 요약/집계해서 결과를 내는 Descriptive analysis 를 이미 진행하고 있었어요
14.
나는 왜 Python과
데이터 분석을? 하지만 저에게 데이터 분석이라고 하면 가장 먼저 떠오르는 유형은 Predictive analysis 였어요
15.
나는 왜 Python과
데이터 분석을? 그 외에도 Exploratory, Inferential, Casual, Mechanistic analysis 등 많은 분석 유형이 존재해요
16.
나는 왜 Python과
데이터 분석을? 사실 모든 유형에 대해 자세히 모르겠어요
17.
나는 왜 Python과
데이터 분석을? 그저 공부를 시작하기 위해 필요한 목적과 동기부여를 위해 Predictive analysis 를 선택했어요
18.
나는 왜 Python과
데이터 분석을? 데이터를 통한 정확한 예측이 아이오에는 필요하거든요
19.
Predictive analysis? 머신러닝, 의사
결정 트리를 이용해서 발생하지 않은 일을 예측하는 거에요
20.
머신러닝? 기존 데이터를 학습시킨
후, 새로운 데이터를 예측하는 목적이에요
21.
머신러닝? 머신러닝에서 지도 학습과
비지도 학습으로 구분지을 수 있어요
22.
머신러닝? 지도 학습에는 분류와
예측 방법이 존재하고,
23.
머신러닝? 비지도 학습에는 군집
방법이 존재해요
24.
머신러닝? 저는 지도 학습인
분류와 예측에 대한 공부 경험을 공유하려 해요
25.
어떻게 시작하게 되었어요? 혹시,
이 분을 아시나요?
26.
어떻게 시작하게 되었어요? 꿀
수업 듣으러 가기
27.
기본적인 환경은? Kaggle
28.
기본적인 환경은? Kaggle 데이터
과학과 머신러닝을 실습하고 경쟁할 수 있는 Kaggle을 이용했어요 Kaggle 방문하기
29.
기본적인 환경은? Kaggle training
set과 test set이 주어져요
30.
기본적인 환경은? Kaggle training
set을 통해 최적화된 모델을 통해서 test set의 값을 분류 및 예측하고 제출할 수 있어요
31.
기본적인 환경은? Kaggle 주의할
점! 하루에 제출할 수 있는 기회는 제한되어 있어요
32.
기본적인 환경은? Python 데이터
분석을 돕는 Python 도구들을 사용했어요
33.
기본적인 환경은? Python 일, 수학적
기능을 제공하는 NumPy
34.
기본적인 환경은? Python 이, 데이터
처리 및 가공을 위한 Pandas
35.
기본적인 환경은? Python 삼, 머신러닝
알고리즘 적용을 위한 Scikit-Learn
36.
데이터 분석 프로세스는요? 그렇다면, 데이터
분석의 프로세스는 어떻게 될까요?
37.
데이터 분석 프로세스는요? 일, 문제를
정의해요 내가 원하는 결과가 무엇이고, 어떤 종류의 문제에 속하는지 파악해요
38.
데이터 분석 프로세스는요? 이, 데이터를
확보해서 준비하고 전처리를 해요
39.
데이터 분석 프로세스는요?
40.
데이터 분석 프로세스는요?
41.
데이터 분석 프로세스는요? 삼, 데이터를
탐색하고 피처를 선택해요
42.
데이터 분석 프로세스는요? 사, 모델을
최적화하고 검증해요
43.
데이터 분석을 돕는
Python 도구들? Pandas는 데이터 처리와 가공을 돕는 도구에요
44.
이렇게 데이터 파일도
쉽게 불러올 수 있구요 데이터 분석을 돕는 Python 도구들?
45.
train 데이터와 test
데이터를 쉽게 연결할 수 도 있어요 데이터 분석을 돕는 Python 도구들?
46.
데이터 분석을 돕는
Python 도구들? NumPy는 수학적 연산을 돕는 도구에요
47.
배열, 로그, 평균
등 다양한 연산을 도와줘요 데이터 분석을 돕는 Python 도구들?
48.
데이터 분석을 돕는
Python 도구들? Scikit-Learn은 머신러닝 알고리즘을 제공하는 도구에요
49.
데이터 분석을 돕는
Python 도구들? 이렇게 분류를 위한 의사 결정 트리를 사용할 수 있어요
50.
어떤 방법을 사용했어요? 앞에서
머신러닝의 분류와 예측에 대한 공부 경험을 공유한다고 했어요
51.
어떤 방법을 사용했어요? 분류에
대한 Kaggle 문제를 접했어요
52.
어떤 방법을 사용했어요? Kaggle의
튜토리얼 문제 Titanic: Machine Learning from Disaster
53.
어떤 방법을 사용했어요? 문제
풀으러 가기!
54.
어떤 방법을 사용했어요? Python
도구를 사용해서 이렇게 코드로 분류를 시도할 수 있어요
55.
Yes or No
유형의 분류를 시도할 때, DecisionTreeClassifier 어떤 방법을 사용했어요?
56.
어떤 방법을 사용했어요? 예측에
대한 Kaggle 문제도 접했어요
57.
어떤 방법을 사용했어요? Kaggle의
문제 Bike Sharing Demand
58.
어떤 방법을 사용했어요? 문제
풀으러 가기!
59.
어떤 방법을 사용했어요? 역시,
Python 도구를 사용해서 이렇게 코드로 예측을 시도할 수 있어요
60.
특정 숫자 값을
예측할 때, DecisionTreeRegressor 어떤 방법을 사용했어요?
61.
Titanic 예시 Titanic 튜토리얼
문제를 다시 확인할게요
62.
Titanic 예시 문제
정의 승객들의 정보를 이용하여 살아남을지 아닐지 예측하라
63.
Titanic 예시 데이터
속성 분석 train set을 다운받고, 데이터 속성을 분석해요
64.
Titanic 예시 데이터
속성 분석
65.
데이터 전처리 작업을
위해, train set과 test set을 합칠게요! Titanic 예시 데이터 전처리
66.
Scikit-Learn 사용을 위해
Gender 문자열 값을 인코딩 할게요! Titanic 예시 데이터 전처리
67.
Scikit-Learn 빈 값
처리 오류 제거를 위해, 평균 값으로 채울게요! Titanic 예시 데이터 전처리
68.
분류(예측)의 기준이 되는
피처를 선택해요 Titanic 예시 데이터 탐색 및 피처 선택
69.
피처 선택을 기준으로
train set을 이용하여, test set을 분류(예측)해요! Titanic 예시 모델 최적화 및 검증
70.
이제 Kaggle에서 Submit을
하면 예측 점수를 확인할 수 있어요! Titanic 예시 제출
71.
전체 코드는 아래
주소에서 확인하실 수 있어요! https://github.com/mjpark03/pyconkr-2017/blob/master/titanic.ipynb Titanic 예시
72.
그래서 어디에 사용할거에요? 일. 지역,
시간, 키워드, 가구 크기 등의 데이터를 이용해서 타겟 정확도를 높이는 마케팅에 이용
73.
그래서 어디에 사용할거에요? 이. 온도,
습도, 조도, 거리, 행동 패턴 학습을 통한 개인 추천 서비스에 이용
74.
감사합니다 ;-) 박미정 mjpark03@gmail.com
Télécharger maintenant