Vīrya

vector operation



import numpy as np
v1 = np.array([[1j],[2]])
print(v1)

print(v1.shape)

v2 = v1/np.linalg.norm(v1)
print(v2)
print(np.vdot(v2,v2))

Normaliztion



import numpy as np
v1 = np.array([[1],[1]])
print(v1)
from sklearn.preprocessing import normalize
v2 = v1/np.linalg.norm(v1)
print(v2)

inner product



import numpy as np

v1=np.array([[np.sqrt(3)],[1]])
v2 = np.array([[1],[2]])
inner_result=np.vdot(v1,v2)
print(inner_result)

print(v1.shape)
print(v2.shape)

breast cancer - KNN



from sklearn.datasets import load_breast_cancer

from sklearn.neighbors import KNeighborsClassifier

from sklearn.model_selection import train_test_split

my_data = load_breast_cancer()

print(my_data)


print(my_data.keys())

print("資料筆數:")
print(my_data.data.shape)
print("\n")

print("第一筆的資料內容:")

print(my_data.data[0])
print("\n")

print("第一筆的分類目標:")
print(my_data.target[0])
print("\n")

print("預測目標的名稱種類，分別是惡性腫瘤及良性腫瘤:")
print(my_data.target_names)
print("\n")


train_x, test_x, train_y, test_y = train_test_split(my_data.data,my_data.target,test_size=0.2,random_state=18,shuffle=True)

print("原始資料的維度大小:", my_data.data.shape)
print("訓練集的維度大小:", train_x.shape)
print("測試集的維度大小:", test_x.shape)

#my_model = KNeighborsClassifier()
my_model = KNeighborsClassifier(n_neighbors=6)

my_model.fit(train_x, train_y)

test_score = my_model.score(test_x,test_y)
print("模型評估完測試集的準確度為:", test_score)

波士頓房價_線性迴歸



from sklearn.datasets import load_boston

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error

my_data = load_boston()

#print(my_data)

print(my_data.keys())

print("資料比數:")
print(my_data.data.shape)
print("\n")

print("資料的欄位名稱，分別是:")
print(my_data.feature_names)
print("\n")

print("第一筆的資料內容:")
print(my_data.data[0])
print("\n")

print("第一筆的預測目標:")
print(my_data.target[0])
print("\n")



train_x, test_x, train_y, test_y, = train_test_split(my_data.data, my_data.target, test_size=0.2, random_state=43, shuffle=True)

print("原始資料集的維度大小:", my_data.data.shape)
print("訓練集的維度大小:", train_x.shape)
print("測試集的維度大小:", test_x.shape)

my_model = LinearRegression()

my_model.fit(train_x, train_y)

pred = my_model.predict(test_x)

score = mean_squared_error(test_y, pred)

print("模型評估完測試集的MSE:", score)


train_x_f1=train_x[:,[4]]
test_x_f1=test_x[:,[4]]

model_f1=LinearRegression()
model_f1.fit(train_x_f1,train_y)

pred=model_f1.predict(test_x_f1)

score=mean_squared_error(test_y,pred)
print("模型評估完測試集的誤差:" ,score)

新竹埔頂金雞母

位於埔頂里的石雞母雕像，基座文字表示利用金雞母可以壓制作亂的蜈蚣

在新竹東區，大約沿著公道路或隆恩圳這東西向的長條區域，以前被認為是蜈蚣穴。蜈蚣聽起來是個毒物被視為不好的象徵，然而在台南崇安街，鹿港蜈蚣穴吐珠，朴子蜈蚣陣；都有生意興隆，人聲鼎沸的熱鬧意象，蜈蚣穴似乎也不是不好的象徵。

然而當蜈蚣受傷時，就會四處作怪。當國道一號完工時，這條南北向的高速公路就像一把刀，橫切蜈蚣穴，蜈蚣疼痛不已導致風水敗壞，鄉民惡運連連。經高人指點鎮壓這條蜈蚣需要用雞母，雞母帶著幼子，基於保護意識，雞母會更佳有威力，而且有一種保護的象徵性。因此在新竹東區，埔頂里，千甲一帶都有雞母的石雕宛如石敢當保護民眾。

新竹千甲車站內的雞母公共藝術品

攝於埔頂里，千甲一帶的高速公路

嘉義燒

林添木老師的書籍，熱愛學習的他，小時候學日文，中國國民黨占領台灣之後，又重新學習注音符號。是一位活到老學到老的藝術家。

嘉義燒不是一種日式點心，他另一個名字大家比較耳熟~ 交趾陶。在台灣傳統寺廟可以看到交趾陶用來裝飾廟宇，使其充滿朝氣，生動活潑。

雖然偶爾會去廟宇不論是參觀或者跟家人去拜拜，但因為對交趾陶不了解，加上廟宇香火鼎盛和戶外的風吹雨打使得交趾陶沒有那麼光彩奪，所以沒有特別注意。感謝這次嘉義博物館的交趾陶館展覽，有大師真品與其弟子的作品，讓人可以貼近，仔細觀賞交趾陶。

在這展覽中我偶然得知一種良性競爭，叫做對場作。什麼叫對場作呢?就是把一個作品例如八仙過海，分成兩的交趾陶師傅去完成，勝出的那位師傅可以留下落款作為紀念。在嘉義城隍廟就有一副對場作，當年是由北部陳專友大師和南部林添木大師完成該對場作，最終由林添木老師勝出，留下落款，有機會去嘉義城隍廟可以找找看他的落款和他們的作品在哪裡呢?

林添木大師從年輕時開始學習交趾陶，他也學到傳奇交趾陶大師葉王的釉色技巧。林添木沒有停下腳步，他不斷臨摹各宗師的技法，不斷開展新的釉料，擺脫廟宇的限制，讓作品題材更加豐富。最重要的是，台灣的交趾陶藝術家很多都是敗於林添木老師門下，因此他對嘉義燒的傳承更是重要功臣。

傳奇交趾陶大師~葉王的作品。衣服上的紅色事業王代表性的技法，胭脂紅。

有南葉北洪，與葉王齊名的洪坤福，這尊文昌帝君是他的作品