Пару недель назад достроил атомку в #Satisfactory. Иронично: занимаюсь атомными станциями в реальной жизни по работе, и теперь вот в игре тоже.
Понравилось решение разработчиков сделать ядерные отходы неуничтожимыми. Любой ресурс в игре легко удаляется специальной кнопкой, и только атомные энергоблоки производят отходы, которые можно либо переработать очень сложным образом, либо складывать бесконечно куда-то в угол карты. А если хочешь более мощную станцию, то и переработать нельзя, только складывать.
Недавно, кстати, состоялся релиз. До этого игра была в «раннем доступе», то есть формально считалась предварительной версией в активной стадии разработки. В релизе же изящно решили сразу две значительные проблемы. Во-первых, теперь можно дорогим и конечным способом точечно масштабировать энергетику и производство в отдельных местах. Это очень нужно ближе к концу игры для тонкой настройки. Во-вторых, и это самое крутое: можно построить специальный телепорт для ресурсов себе в рюкзак. Носить с собой в рюкзаке сколько угодно ресурсов нельзя, и поэтому для действительно масштабного строительства приходилось постоянно бегать на склад, это очень утомляло. Теперь исключительно целях строительства можно забирать ресурсы с некоторой задержкой прямо из места их производства на фабриках, которые ты построил по всей карте. Но конечно для автоматической передачи в цепочках производства так читерить нельзя, и это правильно. Только организация логистики.
Игра очень хорошо учит выстраивать процессы и дает понимание ничтожности отдельного элемента, если весь процесс включает тысячи таких элементов. В общем, мастхэв, 350 часов наиграно, и до конца ещё далеко.
#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