기본 콘텐츠로 건너뛰기

AJAX

jQuery 문법

$.ajax({
    url:"URL",
    method:"get || post",
    data: {"key":"value"} || $("#form").serialize(),
    cache:true || false,
    dataType:"json" || "text",
    success:function(res){
        alert(res.result);
    },
    error:function(xhs,status,err){
        alert(err);
    }
});

$.ajax({
    url : "/board/upload",
    method : "post",
    enctype : "multipart/form-data",
    data : new FormData($("#uploadForm")[0]),
    cache : false,
    dataType : "json",
    processData : false,
    contentType : false,
    timeout : 600000,
    success : function(res) {
        alert(res.result);
    },
    error : function(xhs, status, err) {
        alert(err);
    }
});

? 오류
response.setContentType("application/x-json; charset=UTF-8");


$.ajax({
/* 요청 시작 부분 */
url: url, //주소
data: formData, //전송 데이터
type: "POST", //전송 타입
async: true, //비동기 여부
enctype: "multipart/form-data", //form data 설정
processData: false, //프로세스 데이터 설정 : false 값을 해야 form data로 인식합니다
contentType: false, //헤더의 Content-Type을 설정 : false 값을 해야 form data로 인식합니다

/* 응답 확인 부분 */
success: function (response) {
console.log("");
console.log("[serverUploadImage] : [response] : " + response);
console.log("");
},

/* 에러 확인 부분 */
error: function (xhr) {
console.log("");
console.log("[serverUploadImage] : [error] : " + xhr);
console.log("");
},

/* 완료 확인 부분 */
complete: function (data, textStatus) {
console.log("");
console.log("[serverUploadImage] : [complete] : " + textStatus);
console.log("");
}
});


라벨:

이 블로그의 인기 게시물

Blogger

코드 하이라이트 사이트 http://hilite.me/ 코드 <!-- 나만의 공간 --> <style id='daru_css' type='text/css'> .code {      overflow: auto;      height: 200px;      background-color: rgb(239,239,239);      border-radius: 10px;      padding: 5px 10px; } .code::-webkit-scrollbar-thumb {      background-color: grey;      border: 1px solid transparent;      border-radius: 10px;      background-clip: padding-box;   } .code::-webkit-scrollbar {      width: 15px; } </style> <!-- 나만의 공간 -->
더보기

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...
더보기

Python Sklearn make_blobs

from sklearn.datasets import make_blobs 예제 X, y = make_blobs(n_samples=500, centers=3, n_features=2, random_state=0) # 500개의 점을 3개로 모이게 한다, 변수는 2개, 무작위 상태는 0 X.shape, y.shape # ((500, 2), (500,)) plt.scatter(X[:,0],X[:,1],c=y,s=5) plt.show() # 학습 데이터 나누기 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=.25, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # ((375, 2), (125, 2), (375,), (125,)) # 지도 학습 하기 from sklearn.linear_model import LogisticRegression logisticReg = LogisticRegression(max_iter=5000) # 기본 반복 100 logisticReg.fit(x_train, y_train) # 추정하기 pred = logisticReg.predict(X) # 결정계수 logisticReg.score(x_test, y_test) # 0.92 # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 # 산점도 plt.figure(figsize=(10,4)) plt.subplot(1,2, 1) plt.scatter(X[:,0],X[:,1],c=y) plt.title('정답') plt.su...
더보기