Попробовал, наконец, классную математическую настольную игру "Машина Тьюринга".
На самом деле не столько игра, сколько головоломка, которую вы можете решать в одиночку, совместно или соревнуясь. Она совершенно гениально сделана, и я не до конца понимаю, как именно, но она работает и приносит много удовольствия.
Каждая задача в игре — трехзначное число с цифрами 1..5, зашифрованное в наборе карточек. Карточки двух видов: выражение и его валидатор. Выражение, например, может быть таким: "Вторая цифра меньше трех". Вы выдвигаете гипотезу, каким именно будет число-ответ. А дальше происходит магия — каждое такое число собирается из трёх перфокарт с отверстиями, вы прикладываете к сборке валидатор, и в единственном оставшемся отверстии видете бинарный результат: истина или ложь. Таким образом, получаете информацию о том, справедливо ли выражение для загаданного числа.
Ход за ходом вы должны выбирать самые эффективные гипотезы и выражения, которые отсекут больше всего неверных вариантов. В какой-то момент информации для однозначного ответа становится достаточно. Чем меньше ходов вы потратили, тем лучше.
Если вы нерд и любите фокусы с цифрами, то это прям мастхэв. Играется очень приятно, и вызывает неподдельный кайф каждый раз, когда вы собираете из кусочков ответ, хотя за мгновение до этого может казаться, что до решения ещё очень далеко.
Если же вы не фанат подобного, то подарите коробку знакомому математику, он будет рад!
#games
http://scikit-learn.org/stable/
scikit-learn
#Machine#Learning in Python
Simple and efficient tools for data mining and data analysis
Accessible to everybody, and reusable in various contexts
Built on #NumPy, #SciPy, and #matplotlib
Open source, commercially usable - BSD license
http://scitools.org.uk/iris/docs/latest/userguide/index.html
Iris seeks to provide a powerful, easy to use, and community-driven Python library for analysing and visualising #meteorological and #oceanographic data sets.
With Iris you can:
Use a single #API to work on your data, irrespective of its original format.
Read and write (CF-)netCDF, GRIB, and PP files.
Easily produce graphs and maps via integration with #matplotlib and #cartopy.
http://scitools.org.uk/cartopy/docs/latest/index.html
Cartopy is a Python package designed to make drawing maps for data analysis and visualisation as easy as possible.
#Cartopy makes use of the powerful #PROJ.4, #numpy and #shapely libraries and has a simple and intuitive drawing interface to #matplotlib for creating publication quality maps.
Some of the key features of cartopy are:
object oriented projection definitions
point, line, vector, polygon and image transformations between projections
integration to expose advanced mapping in matplotlib with a simple and intuitive interface
powerful vector data handling by integrating shapefile reading with Shapely capabilities
http://matplotlib.org/
#matplotlib is a python #2D#plotting library which produces publication quality figures in a variety of hardcopy formats and interactive environments across platforms. matplotlib can be used in #python scripts, the python and #ipython shell (ala MATLAB®* or Mathematica®†), web application servers, and six #graphical user interface toolkits.
screenshots
http://devarea.com/machine-learning-with-python-introduction/#.Whs6iCehU8o
#Machine_Learning With Python – Introduction
#Numpy is package for multi dimension arrays – very effective implementation
#Scipy – package for scientific programming , mathematics , signal processing and more
#Pandas – package for data handling
#Matplotlib – package for data visualization (graphs)
#Seaborn – extend Matplotlib with statistical graphs
#Scikits – many extensions to spicy for specific fields like x-ray, image processing , deep learning and many more