Με αφορμή το σεισμό στην Αντιόχεια

Ας θυμηθούμε τι λέει ο Καβάφης.

 

Παλαιόθεν ελληνίς

Καυχιέται η Αντιόχεια για τα λαμπρά της κτίρια, και τους ωραίους της δρόμους· για την περί αυτήν θαυμάσιαν εξοχήν, και για το μέγα πλήθος των εν αυτή κατοίκων. Καυχιέται που είν’ η έδρα ενδόξων βασιλέων· και για τους καλλιτέχνας και τους σοφούς που έχει, και για τους βαθυπλούτους και γνωστικούς εμπόρους. Μα πιο πολύ ασυγκρίτως απ’ όλα, η Αντιόχεια καυχιέται που είναι πόλις παλαιόθεν ελληνίς· του Άργους συγγενής: απ’ την Ιώνη που ιδρύθη υπό Αργείων αποίκων προς τιμήν της κόρης του Ινάχου.

[1927*]
Κατηγορίες: Ποίηση | Δεν επιτρέπεται σχολιασμός στο Με αφορμή το σεισμό στην Αντιόχεια

Το παράδοξο με το μαύρο κοράκι

Το Παράδοξο του Κορακιού είναι ένας λογικός γρίφος που
αμφισβητεί την ιδέα ότι γενικές δηλώσεις μπορούν να
συναχθούν από συγκεκριμένες παρατηρήσεις.
Δείχνει ότι η κατανόηση του κόσμου και η χρήση της
γλώσσας μπορεί να είναι προβληματική και ότι η σχέση
μεταξύ γλώσσας και πραγματικότητας δεν είναι πάντα απλή.

Το παράδοξο βασίζεται σε μια δήλωση του επίστημονα της
λογικής Carl Hempel τη δεκαετία του 1940, η οποία έχει ως εξής:

“Όλα τα κοράκια είναι μαύρα”.
“Ένα μη μαύρο αντικείμενο δεν είναι κοράκι”.
Επομένως, αν ένα αντικείμενο είναι μη μαύρο, τότε δεν είναι κοράκι.

Η πρώτη δήλωση είναι ένα παράδειγμα γενικής δήλωσης, μας λέει
ότι όλα τα κοράκια έχουν μια συγκεκριμένη ιδιότητα (δηλαδή ότι
είναι μαύρα). Η δεύτερη δήλωση είναι ένα παράδειγμα υπό συνθήκη
δήλωσης, μας λέει ότι αν ένα αντικείμενο δεν έχει αυτή την
ιδιότητα, τότε δεν είναι κοράκι.

Το πρόβλημα είναι ότι η δεύτερη δήλωση υπονοεί το ίδιο πράγμα
με την πρώτη δήλωση, ότι δηλαδή όλα τα μη μαύρα αντικείμενα
δεν είναι κοράκια. Αυτό δημιουργεί μια κυκλικότητα στη λογική,
καθώς η δεύτερη δήλωση υποτίθεται ότι συνάγεται από την πρώτη
δήλωση, αλλά στην πραγματικότητα την επιβεβαιώνει.

Το Παράδοξο του Κορακιού αναδεικνύει το πρόβλημα της επαγωγής,
το οποίο είναι το πρόβλημα του πώς μπορούμε να συμπεράνουμε
γενικές δηλώσεις από συγκεκριμένες παρατηρήσεις. Δείχνει ότι
η γνώση μας για τον κόσμο δεν είναι πάντα τόσο απλή όσο φαίνεται
και ότι η χρήση της γλώσσας μπορεί να αποτελέσει πηγή σύγχυσης
και παρανόησης. Το παράδοξο καταδεικνύει ότι η σχέση μεταξύ
γλώσσας και πραγματικότητας δεν είναι πάντα ξεκάθαρη και ότι η
πραγματοποίηση γενικεύσεων με βάση τις παρατηρήσεις και τη
γλώσσα μπορεί να είναι προβληματική.

Κατηγορίες: Παράδοξα | Δεν επιτρέπεται σχολιασμός στο Το παράδοξο με το μαύρο κοράκι

Το πλοίο του Θησέα

Το πλοίο του Θησέα είναι ένα πείραμα σκέψης (παράδοξο) που θέτει ερωτήματα
σχετικά με τη φύση της ταυτότητας και της αλλαγής. Το πείραμα σκέψης έχει
ως εξής:
Φανταστείτε ένα πλοίο, το “Πλοίο του Θησέα”, το οποίο με την πάροδο του χρόνου,
καθένα από τα μέρη του αντικαταστάθηκε, ένα προς ένα, από νέα μέρη, έτσι ώστε
να μην απομείνει κανένα από τα αρχικά μέρη. Το ερώτημα είναι, το πλοίο που
απομένει στο τέλος παραμένει το ίδιο πλοίο με το αρχικό ή είναι ένα νέο πλοίο;

Αυτό το πείραμα σκέψης χρησιμοποιείται συχνά για να καταδείξει το πρόβλημα της
συνέχειας και της αλλαγής. Θέτει ερωτήματα σχετικά με το τι κάνει ένα αντικείμενο
το ίδιο με την πάροδο του χρόνου και κατά πόσον ένα αντικείμενο που έχει υποστεί
σημαντική αλλαγή μπορεί να θεωρηθεί ακόμα το ίδιο με αυτό που ήταν αρχικά.

Έχει εφαρμοστεί και σε άλλους τομείς, όπως η προσωπική ταυτότητα και η φύση των
φυσικών αντικειμένων. Δεν υπάρχει οριστική απάντηση στο παράδοξο, αλλά αποτελεί
αντικείμενο συνεχούς συζήτησης στον τομέα της φιλοσοφίας. Ορισμένοι φιλόσοφοι
υποστηρίζουν ότι το πλοίο εξακολουθεί να είναι το ίδιο πλοίο, επειδή έχει διατηρήσει
τη συνέχεια της ύπαρξής του. Ενώ άλλοι φιλόσοφοι υποστηρίζουν ότι το πλοίο δεν
είναι το ίδιο, επειδή δεν περιέχει πλέον τα ίδια φυσικά μέρη.

Κατηγορίες: Παράδοξα | Δεν επιτρέπεται σχολιασμός στο Το πλοίο του Θησέα

Ο μύθος του Ηρός

Η Πολιτεία τελειώνει με μια αισιόδοξη διδαχή· η ψυχή είναι αθάνατη. Ο δίκαιος επιβραβεύεται και σε αυτόν τον κόσμο, αλλά και μετά θάνατον. Αντιθέτως οι άδικοι, οι τύραννοι, οι κακούργοι τιμωρούνται σκληρά. Απόδειξη η μαρτυρία του Ηρός του Αρμενίου, την οποία εκθέτει ο Σωκράτης χωρίς ωστόσο να διασαφηνίζει αν την άκουσε από τον Ήρα τον ίδιο ή από κάποιους άλλους.

Ο Hρ, ο γιος του Αρμενίου από την Παμφυλία, ένας γενναίος πολεμιστής, σκοτώθηκε στη μάχη. Για δέκα ημέρες παρέμεινε στο πεδίο της μάχης, ανάμεσα στα πτώματα των άλλων πολεμιστών, που είχαν αρχίσει να αποσυντίθενται. Τη δωδέκατη ημέρα όταν τον είχαν μεταφέρει σπίτι του και τον είχαν τοποθετήσει πάνω στη νεκρική πυρά, ο ήρωας ξαναγύρισε στη ζωή και άρχισε να διηγείται όσα είχε ιδεί και όσα είχε ακούσει η ψυχή του στον άλλο κόσμο.

Η ψυχή του λοιπόν, που είχε φύγει από το σώμα, πορεύτηκε μαζί με άλλες ψυχές εἰς τόπον τινά δαιμόνιον όπου υπήρχαν δύο χάσματα πάνω στη γη, το ένα δίπλα στο άλλο, και άλλα δύο κατάντικρυ στον ουρανό. Ανάμεσά τους κάθονταν δικαστές και, αφού δίκαζαν, πρόσταζαν τους δίκαιους να προχωρήσουν δεξιά και επάνω μέσα από τον ουρανό, και τους άδικους αριστερά και κάτω. Όταν ο Ηρ παρουσιάστηκε του είπαν να ακούει και να βλέπει προσεκτικά ό,τι διαδραματιζόταν εκεί για να τα ανακοινώνει αργότερα στους ζωντανούς. Έβλεπε λοιπόν τις ψυχές που είχαν δικαστεί να προχωρούν προς τα δύο χάσματα, και άλλες να βγαίνουν από τα άλλα δύο. Ὀσες ανέβαιναν από το χάσμα της γης ήταν κατασκονισμένες και διψασμένες, όσες κατέβαιναν από τον ουρανό ήταν καθαρές. Πήγαιναν λοιπόν οι ψυχές προς τον Λειμώνα και κατασκήνωναν εκεί σαν να ήταν σε πανηγύρι. Όσες έρχονταν από τη γη έκλαιγαν και οδύρονταν για όσα είχαν πάθει κατά την υποχθόνια πορεία τους που κρατούσε έτη χίλια. Όσες έρχονταν από τον ουρανό και τι δεν είχαν να πουν από θεάματα και απολαύσεις!

Οι ψυχές που είχαν διαπράξει αδικήματα (προδοσίες, κακουργήματα) είχαν πληρώσει για όλα δεκαπλάσιες ποινές. Δεκαπλάσιες ήταν και οι ανταμοιβές για όσες είχαν κάνει το καλό. Ακόμη βαρύτερες ήταν οι τιμωρίες για όσους είχαν ασεβήσει προς τους γονείς ή τους θεούς ή για όσους είχαν σκοτώσει άνθρωπο με το ίδιο τους το χέρι. Τον Αρδιαίο, τον τύραννο της Παμφυλίας, που διέπραξε στη ζωή του μεγάλα και πολλά κακουργήματα, οι τιμωροί του άλλου κόσμου τον έδεσαν χειροπόδαρα και τον τραβούσαν πάνω στα αγκάθια των ασπαλάθων. Ύστερα μαζί με άλλους όμοιούς του τον πέταξαν μέσα στον Τάρταρο.

Επτά ημέρες παρέμειναν στον Λειμώνα οι ψυχές και ύστερα πορεύτηκαν σε έναν τόπο όπου έβλεπαν ένα φως σαν το ουράνιο τόξο αλλά λαμπρότερο πολύ και καθαρότερο. Το φως αυτό σαν κίονας ευθύ ήταν τεταμένο διά παντός τοῦ οὐρανοῦ και τῆς γῆς, δηλαδή βρισκόταν στο κέντρο του σύμπαντος. Και ήταν το φως ο σύνδεσμος του ουρανού που συγκρατούσε την ουράνια περιφορά. Από τις άκρες των δεσμών του, που ήταν τεντωμένες από τον ουρανό, κρεμόταν ό ἄτρακτος (: νεοελλ. η άτρακτος, το αδράχτι) της Ανάγκης, ο οποίος ρυθμίζει όλες τις περιστροφές. Ο σφόνδυλος της ατράκτου ήταν κοίλος και περιείχε άλλους επτά σφονδύλους (ο εξώτατος ήταν το ουράνιο στερέωμα και οι άλλοι επτά ήταν οι σφαίρες των πλανητών). Στους κύκλους που σχημάτιζαν τα επάνω χείλη των σφονδύλων ήταν καθισμένες και περιστρέφονταν Σειρήνες, μια πάνω σε κάθε κύκλο. Κάθε Σειρήνα εξέπεμπε τον ήχο μιας και μοναδικής νότας. Και οι οκτώ αυτές φωνές παρήγαγαν μια αρμονία (: τη μουσική των ουράνιων σφαιρών). Την κυκλική κίνηση των σφονδύλων πάνω στα γόνατα της Ανάγκης παρακολουθούσαν καθισμένες πάνω σε θρόνους οι τρεις Μοίρες, οι κόρες της Ανάγκης (Λάχεσις, Κλωθώ και Ἄτροπος).

Φθάνοντας λοιπόν εκεί οι ψυχές ήταν αναγκασμένες να διαλέξουν το είδος της ζωής που θα ήθελαν να ζήσουν κατά την επόμενη ενσάρκωσή τους. Ένας εξάγγελος της Λάχεσης τοποθέτησε μπροστά τους πολλά υποδείγματα ζωής και ανεβαίνοντας σε ένα βήμα υψηλό απήγγειλε τον Λόγο της Μοίρας που καλούσε τις ψυχές να τραβήξουν τον κλήρο τους.

Ο καθένας έπρεπε, ανάλογα με τη σειρά που προσδιόριζε ο κλήρος, να επιλέξει ένα ορισμένο είδος ζωής. Οι αφιλοσόφητες ψυχές έσπευδαν να επιλέξουν βίους ένδοξους χωρίς να υπολογίσουν πόση δυστυχία κρύβουν μέσα τους τα αξιώματα και τα μεγαλεία. Όσες όμως ψυχές είχαν δοκιμαστεί σκληρά στην προηγούμενη ζωή τους, τώρα πρόσεχαν να μην απατηθούν από τη δολερή λάμψη. Έτσι η ψυχή του τρισένδοξου και πολυταξιδεμένου Οδυσσέα επέλεξε την ήσυχη ζωή ενός άσημου ανθρώπου. Όποια εκλογή πάντως έκανε η κάθε ψυχή παρέμενε αμετάκλητη. Ύστερα οι ψυχές οδηγήθηκαν μέσα από το κατάξερο πεδίο της λήθης στον Αμέλητα ποταμό. Όποιος έπινε από το νερό εκείνο ξεχνούσε όλα όσα είχε ζήσει στην προηγούμενή του ζωή. Τα μεσάνυχτα μέσα στη βοή του σεισμού και της βροντής ξάφνου οι ψυχές άρχισαν να αναπηδούν προς τα πάνω για να ξαναγεννηθούν μέσα στα νέα τους σώματα. Τον ίδιο τον Ήρα δεν τον άφησαν να πιει το νερό της λησμονιάς. Πώς ξαναβρέθηκε μέσα στο σώμα του δεν μπορούσε να το πεί, αλλά ξάφνου άνοιξε τα μάτια του και είδε ότι βρισκόταν πάνω στη νεκρική πυρά.

Ο μύθος του Ηρός είναι βέβαια επίνοια του Πλάτωνα, αλλά ο φιλόσοφος έχει αντλήσει στοιχεία από κάποια προφορική παράδοση, από τη λαϊκή πίστη, από τις θεωρίες των ορφικών και των πυθαγορείων για τη μετεμψύχωση, και από τις τελετουργίες των Ελευσινίων μυστηρίων. Σύγχρονοι ερευνητές έχουν επισημάνει στον εσχατολογικό αυτό μύθο και επιδράσεις από τον Ζωροαστρισμό, την Ινδική φιλοσοφία και τον ασιατικό σαμανισμό.

Ο μύθος του Ηρός φαίνεται ότι στάθηκε ένα από τα πρότυπα και των Καταβάσεων (λογοτεχνικών έργων με θέμα το ταξίδι στον κάτω κόσμο) και του Κικέρωνα στο Ἐνύπνιον τοῦ Σκιπίωνος και των χριστιανικών Αποκαλύψεων (Αποκάλυψις Ιωάννου, Αποκάλυψις Πέτρου).

http://ebooks.edu.gr/ebooks/v/html/8547/2660/Archaia-Ellinika-Filosofikos-Logos_G-Lykeiou-AnthrSp_html-empl/indexD_09.htm

 

Κατηγορίες: Αρχαίοι, Πλάτων | Δεν επιτρέπεται σχολιασμός στο Ο μύθος του Ηρός

Τίμαιος του Πλάτωνα

Απομαγνητοφώνηση από ομιλία του καθηγητή Φιλοσοφίας Κάλφα Βασίλη από βίντεο στο διαδίκτυο, χωρίς την επίσημη άδεια του, αλλά με απέραντο θαυμασμό.

Θα πάμε λοιπόν στον Πλάτωνα και στον Αριστοτέλη
και θα διαβάσουμε, θα σχολιάσουμε, θα αναλύσουμε
δύο πολύ γνωστά, απ’ τη μια πλευρά, αλλά απαιτητικά κείμενα,
τα κείμενα που έχουν αφιερώσει και οι δύο στον χρόνο.
Η απόσταση που χωρίζει αυτά τα δύο κείμενα πρέπει να ’ναι μικρή σχετικά,
σας θυμίζω ότι ο Αριστοτέλης είναι μαθητής του Πλάτωνα
και μια γενιά νεότερος.
Τοποθετούμε συνήθως τον «Τίμαιο» του Πλάτωνα,
απ’ όπου είναι η πραγματεία ή το κομμάτι,
το χωρίο περί χρόνου του Πλάτωνα,
γύρω στο 355 π.Χ., όπως σας έλεγα.
Ίσως το κείμενο του Αριστοτέλη για τον χρόνο
να γράφεται 20-30 χρόνια αργότερα.
Για τον Αριστοτέλη δεν έχουμε βεβαιότητα
όσον αφορά τη χρονολόγηση των γραπτών του,
ενώ στον Πλάτωνα έχουν προοδεύσει πολύ οι γνώσεις μας,
για το πότε έγραψε τον κάθε διάλογο, ο Πλάτων.
Πάμε λοιπόν στον Πλάτωνα.
Και ξεκινώ λέγοντάς σας κάποια στοιχεία,
διότι το κείμενο από μόνο του φαίνεται δύσβατο,
το οποίο θα διαβάσουμε στη συνέχεια.
Ας πούμε λοιπόν μερικά γενικά πράγματα
για τον «Τίμαιο» του Πλάτωνα, όπου εντάσσεται αυτό το κείμενο.
Ο «Τίμαιος» είναι ένας περίεργος πλατωνικός διάλογος,
ίσως, πολλοί λένε, ο πιο δύσκολος απ’ όλους τους πλατωνικούς διαλόγους,
δεν είναι απολύτως σίγουρο αυτό,
αλλά σίγουρα είναι ένας απαιτητικός διάλογος.
Κι είναι παράξενος, διότι πρώτα απ’ όλα δεν είναι διάλογος,
είναι στην ουσία ένας μονόλογος
ο οποίος εκφέρεται από τον ομώνυμο ήρωα, τον Τίμαιο,
ο οποίος είναι πολιτικός και φιλόσοφος και φυσικός επιστήμων
που έρχεται από την Κάτω Ιταλία στην Αθήνα,
συναντά τον Σωκράτη κι άλλους συνομιλητές,
και του αναθέτουν να μιλήσει για τη δημιουργία του σύμπαντος.
Παίρνει λοιπόν τον λόγο και θεωρούμε ότι δεν είναι πια ο Σωκράτης
σ’ αυτό το κείμενο το φερέφωνο του Πλάτωνα, αλλά ο Τίμαιος.
Δηλαδή οι θέσεις που εκφράζει ο Τίμαιος
είναι και οι θέσεις του Πλάτωνα,
όταν έχει φτάσει σ’ αυτό το σημείο της ζωής του.
Η μία λοιπόν ιδιαιτερότητα αυτού του διαλόγου είναι ότι είναι μονόλογος.
Η δεύτερη, που επίσης είναι σημαντική γι’ αυτό που θα συζητήσουμε,
είναι ότι όλο εκφέρεται ως ένας μύθος.
Δηλαδή ολόκληρος ο διάλογος είναι ένας μύθος,
ένας εύλογος μύθος, όπως λέει ο Πλάτων στην εισαγωγή του,
ο Τίμαιος δηλαδή, ή ο Πλάτων,
που σημαίνει ότι δεν είναι ένα παραμύθι
όπως όλα τ’ άλλα τα παραμύθια τα μυθολογικά,
αλλά είναι μια εξιστόρηση της δημιουργίας του κόσμου,
υιοθετώντας τον τρόπο του μύθου,
δηλαδή σε παρελθόντα χρόνο, με κάποιους πρωταγωνιστές,
με μια ιστορικότητα, με μία χρονολογική εκδίπλωση,
αλλά μιλώντας για θέματα που δεν μοιάζουν καθόλου μυθολογικά.
Τα θέματα του «Τίμαιου» είναι:
το σύμπαν, η δομή του σύμπαντος και η δημιουργία του σύμπαντος,
στη συνέχεια η φυσιολογία του ανθρώπου,
που αφορά όχι μόνο την ψυχή του αλλά και το σώμα του,
όχι μόνο δηλαδή τη νόηση και την αίσθηση
αλλά και τα σωματικά του στοιχεία,
επομένως εμπεριέχει
αυτό που σήμερα στην επιστήμη θα θεωρούσαμε μία Κοσμολογία,
εμπεριέχει μια Φυσική, διότι μιλάει για την ύλη, μια Χημεία ας πούμε,
εμπεριέχει μια Βιολογία
και φτάνει μέχρι και τις ασθένειες της ψυχής και του σώματος,
δηλαδή είναι περίπου ένα πανόραμα
των φυσικών δοξασιών της εποχής του ύστερου Πλάτωνα,
δηλαδή των μέσων του 4ου αι. π.Χ.
Και είχε και μία πολύ ενδιαφέρουσα πορεία ο «Τίμαιος»
ως σύγγραμμα πλατωνικό:
είναι το σύγγραμμα του Πλάτωνα που διαβάστηκε περισσότερο απ’ όλα,
σήμερα διαβάζουμε περισσότερο την «Πολιτεία» ή το «Συμπόσιο»,
τα θεωρούμε πιο κοντά μας, πιο γοητευτικά.
Στην ιστορία ωστόσο της φιλοσοφίας και του πλατωνισμού
θεωρήθηκε ότι ο «Τίμαιος» κρύβει την τελευταία λέξη
της πλατωνικής φιλοσοφίας.
Απευθύνεται τόσο σε φυσικούς και μαθηματικούς επιστήμονες,
όσο και σε μυστικιστές
και είχε επομένως ένα φοβερά μεγάλο κοινό οπαδών και αναγνωστών,
κι επομένως, αν κανείς χάρασσε την ιστορία του πλατωνισμού,
ο «Τίμαιος» θα ’παιρνε μια πολύ ξεχωριστή θέση.
Ο χρόνος, λοιπόν, εντάσσεται στη διήγηση του Τίμαιου
σ’ ένα κρίσιμο σημείο,
οπότε ίσως είναι καλό να πούμε τι έχει προηγηθεί:
Ο Τίμαιος εμφανίζει μπροστά μας έναν κατασκευαστή του σύμπαντος,
έναν «δημιουργό», όπως λέει,
η λέξη είναι αρχαιοελληνική, από εκείνη την εποχή.
Αλλά παραδόξως, παρότι είναι θεός αυτός που κατασκευάζει το σύμπαν,
ο προσδιορισμός ως «δημιουργός» είναι μάλλον
ιδιαίτερος, αν θέλετε, και υποτιμητικός.
«Δημιουργός» στα αρχαία ελληνικά
δεν έχει τη βιβλική σημασία
όπως μεταφράστηκε στα ελληνικά η Παλαιά Διαθήκη
και στη συνέχεια γράφει και η Καινή.
Δεν σημαίνει δηλαδή ένα…
εμπνευσμένο, καινοτόμο πνεύμα
που δημιουργεί σε κάποιον τομέα.
«Δημιουργός» στα αρχαία ελληνικά σημαίνει ο χειρώναξ τεχνίτης.
Δημιουργός είναι ο μαραγκός,
δημιουργός είναι ο σιδηρουργός,
δημιουργός είναι ο εργάτης, κατά κάποιον τρόπο,
ο οποίος φτιάχνει κάτι,
ο τεχνίτης που φτιάχνει κάτι, και το φτιάχνει με τα χέρια του.
Είναι χαρακτηριστικό ότι οι δημιουργοί
δεν έχουν θέση στην πρώτη τάξη της πλατωνικής Πολιτείας,
θεωρούνται δηλαδή, κατά κάποιον τρόπο, κατώτερο στρώμα κοινωνικό,
και είναι ενδιαφέρον ότι ο Πλάτων επέλεξε αυτόν τον όρο
για να περιγράψει τον θεό του που κατασκευάζει τον κόσμο.
Η δικιά μου θέση είναι ότι διάλεξε αυτόν τον όρο,
γιατί πραγματικά ο θεός του Πλάτωνα
δημιουργεί με την έννοια που και οι τεχνίτες δημιουργούν.
Δηλαδή, αν σκεφτείτε έναν τεχνίτη,
ο τεχνίτης έχει ένα υλικό που χρησιμοποιεί.
Σκεφτείτε έναν μαραγκό, ας πούμε, που κατασκευάζει ένα κρεβάτι,
θα χρησιμοποιήσει το ξύλο ή το σίδερο
ή οποιοδήποτε άλλο υλικό που έχει κάποιες προδιαγραφές,
τις οποίες δεν θα βιάσει, θα τις σεβαστεί.
Το ίδιο κάνει και ο θεός του Πλάτωνα με τον κόσμο.
Έχει επίσης, κι αυτό είναι πολύ σημαντικό,
ένα πλάνο, ένα μοντέλο στο μυαλό του.
Θέλει να κατασκευάσει ένα κρεβάτι.
Ή έχει δει κάποια κρεβάτια, αν είναι αισθητά τα κρεβάτια που μιμείται
ή, στην περίπτωση που είναι ένας εμπνευσμένος μαραγκός,
σκέφτεται, έχει στο μυαλό του ένα νοητό κρεβάτι,
δηλαδή ένα κρεβάτι το οποίο είναι ιδανικό,
και προσπαθεί να το φέρει στην ύπαρξη μέσω της κατασκευής.
Δημιουργός είναι και ο καλλιτέχνης στα αρχαία ελληνικά,
ο γλύπτης ή ο ζωγράφος.
Εκεί φαίνεται πιο καθαρά ότι κάποιος που κατασκευάζει ένα άγαλμα
έχει στον νου του όχι πάντα ένα συγκεκριμένο ανθρώπινο σώμα,
αλλά πιθανόν να έχει ένα εξιδανικευμένο σώμα
που δεν υπάρχει στην πραγματικότητα, ένα νοητό σώμα.
Ακόμα πιο καθαρά αυτό φαίνεται στην περίπτωση της ζωγραφικής.
Ο ζωγράφος έχει κάτι στο μυαλό του,
το οποίο δεν είναι κατ’ ανάγκην κάτι υπαρκτό,
είναι κάτι που συλλαμβάνει με τον νου του.
Ο θεός, λοιπόν, του Πλάτωνα εμφανίζεται στο προσκήνιο,
βρίσκει ένα υλικό το οποίο προϋπάρχει αυτού,
είναι τα τέσσερα στοιχεία της αρχαίας φυσικής,
τα οποία έχει εισαγάγει ο Εμπεδοκλής στη φυσική φιλοσοφία,
η γη, δηλαδή, το νερό, ο αέρας και η φωτιά,
τα μεταπλάθει αυτά μέσω μαθηματικών αναλογιών,
γιατί δεν είναι απλός τεχνίτης,
θυμίζει περισσότερο τους καλλιτέχνες-τεχνίτες της Αναγέννησης,
που είναι ταυτοχρόνως επιστήμονες μαθηματικοί και κατασκευαστές.
Λειτουργεί, λοιπόν, με μαθηματικό τρόπο
και φέρνει αυτό το υλικό, του δίνει μορφή.
Όσον αφορά το σύμπαν, του δίνει σφαιρική μορφή,
διότι το σύμπαν των αρχαίων είναι σφαιρικό,
τοποθετεί στο κέντρο τη Γη.
Δηλαδή, περίπου, έχουμε στον «Τίμαιο» μια περιγραφή του κόσμου
όπως την έχουμε δει ήδη σ’ αυτά τα μαθήματα
να είναι η γνώση, η σύλληψη των αρχαίων για τον κόσμο:
γεωκεντρικό σύμπαν, η Γη στο κέντρο,
το σύμπαν κλειστό, σφαιρικό που περιστρέφεται γύρω απ’ την ακίνητη Γη.
Ο κόσμος του Πλάτωνα που πλάθεται από τον Δημιουργό
έχει, όπως είπαμε, ένα μοντέλο.
Το μοντέλο του είναι ο κόσμος των Ιδεών,
ο ακίνητος, αμετάβλητος, αιώνιος κόσμος των Ιδεών.
Είναι δηλαδή, κατά κάποιον τρόπο, ένας θεός
που επικοινωνεί με τον κόσμο των Ιδεών,
είναι πάνω από αυτόν ο κόσμος των Ιδεών,
και έχει ένα υλικό,
και με το όραμα αυτό συν το υλικό πλάθει τον κόσμο.
Ο κόσμος που δημιουργείται δεν έχει μόνο σώμα, έχει και ψυχή,
είναι έμψυχος κόσμος ο κόσμος του Πλάτωνα.
Άρα, δίνει και ψυχή στον κόσμο,
είναι ζωντανός κόσμος δηλαδή, ο οποίος κινείται,
αυτό του δίνει ψυχή, η ψυχή είναι κίνηση στον Πλάτωνα,
και κατά μία έννοια σκέπτεται, δηλαδή έχει και νου
και γενικά…
όχι αίσθηση, διότι δεν του χρειάζεται,
αλλά σίγουρα έχει σκέψη ο κόσμος.
Εκεί, λοιπόν, που ξεκινάει η ένωση ψυχής και σώματος του κόσμου
κι αρχίζει ο κόσμος να κινείται ομαλά και κυκλικά,
ο Πλάτων αναφέρει τον χρόνο.
Είναι το τελευταίο, θα ‘λεγε κανείς, δώρο του Θεού στον κόσμο.
Επομένως, εισάγεται ο χρόνος
σαν μια θεϊκή παρέμβαση στον κόσμο
για να του δώσει, όπως θα δείτε, τακτική κίνηση.
Ο χρόνος δηλαδή, προτρέχω σ’ αυτά που θα διαβάσουμε,
για τον «Τίμαιο» του Πλάτωνα
ταυτίζεται με τη ρυθμική κίνηση του σύμπαντος.
Αυτό είναι χρόνος στον Πλάτωνα.

Κατηγορίες: Αρχαίοι, Πλάτων | Δεν επιτρέπεται σχολιασμός στο Τίμαιος του Πλάτωνα

Καλό Καλοκαίρι!!!

Δύο ανεπανάληπτα τραγούδια του 1980 με τα οποία μεγαλώσαμε!!!

 

Κατηγορίες: Fun | Δεν επιτρέπεται σχολιασμός στο Καλό Καλοκαίρι!!!

Data Science – 9 – Γραφήματα Συνέχεια !!!!!

Εισάγουμε πάλι τις βιβλιοθήκες μας και το dataframe.

import numpy as np

import pandas as pd

import matplotlib

import matplotlib.pyplot as plt

import seaborn as sns

data_filename = ‘gamesff.csv’

games = pd.read_csv(data_filename,encoding=’utf-8′)

Παρακάτω θα φτιάξω ένα διάγραμμα scatter plot τις διάφορες βαθμολογικές θέσεις που πήρε κατά την διάρκεια της χρονιάς η κάθε ομάδα. Βλέπουμε λοιπόν πως καθώς εξελισσόταν το πρωτάθλημα ο Ιωνικός για παράδειγμα πήρε τις θέσεις 8, 10, 11 και 13. Η Λαμία βρέθηκε στις θέσεις 10,11, 12, 13, η ΑΕΚ βρέθηκε στις θέσεις 2, 3 και 4, κοκ για όλες τις ομάδες. Ο κώδικας:.

plt.style.use(‘ggplot’)

plt.figure(figsize=(20,8))

_ = plt.scatter(x=games[‘ΓΗΠΕΔΟΥΧΟΣ’], y=games[‘ΘΕΣΗ_ΓΗΠ’])

ds 9a

Στη συνέχεια θα δούμε ένα πιο περίπλοκο διάγραμμα. Θα δούμε την βαθμολογική θέση που είναι μια ομάδα ανάλογα με την φόρμα στην οποία βρίσκεται τα τελευταία 5 ματς. Επίσης κάθε κουκίδα έχει διαφορετικό μέγεθος ανάλογα με το πόσους βαθμούς έχει μαζέψει στο πρωτάθλημα. Παρατηρούμε μια ενδιαφέρουσα κατανομή η οποία δείχνει πλούσια πληροφορία. Εξάγουμε εύκολα το συμπέρασμα πως γενικά καλύτερη φόρμα σημαίνει και μεγαλύτερη θέση στην βαθμολογία και επίσης καλύτερη φόρμα. Ο κώδικας:

plt.style.use(‘ggplot’)

plt.figure(figsize=(20,8))

_ = plt.scatter(x=games[‘ΓΗΠ_Φ5’], y=games[‘ΘΕΣΗ_ΓΗΠ’],s = games[‘ΒΑΘ_ΓΗΠ’]**2, alpha =0.5)

ds 9b

Θα συνεχίσουμε παρατηρώντας τον αριθμό των παιχνιδιών που μπήκαν διαφορετικός αριθμός συνολικών γκολ. Δηλαδή σε πόσα ματς μπήκαν 0 γκολ, σε πόσα ματς μπήκαν 1 γκολ κοκ. Γράφουμε:

games.ΣΚΟΡ_ΣΥΝ.value_counts()

Αποτέλεσμα:

3  γκολ       45 παιχνίδια
2 γκολ        42 παιχνίδια
1 γκολ        35 παιχνίδια
0 γκολ        21 παιχνίδια
4 γκολ        21 παιχνίδια
5 γκολ        11 παιχνίδια
6 γκολ         5  παιχνίδια
8 γκολ         2 παιχνίδια

Και με διάγραμμα γράφουμε τις εντολές:
sns.set_style('darkgrid')
sns.set_theme(font_scale=1.5)
sns.displot(games, x='ΣΚΟΡ_ΣΥΝ', aspect = 1.5, height =7, discrete = True, shrink=.8, bins =8)

ds 9c
Αναλύοντας περαιτέρω την παραπάνω πληροφορία, θα δούμε με ένα επεξηγηματικό 
διάγραμμα σε πόσα ματς σε κάθε κατηγορία των συνολικών γκολ, ήρθε Άσσος, σε 
πόσα ήρθε Χ, και σε πόσα ήρθε Διπλό. Ο κώδικας:
sns.set_style('darkgrid')
sns.set_theme(font_scale=1.5)
sns.displot(games, x='ΣΚΟΡ_ΣΥΝ', hue='ΑΠΟΤ',height =7, aspect =2, kind="hist", discrete= True,
 shrink=.8)

ds 9d

ή τοποθετώντας την μια στήλη δίπλα στην άλλη ίσως είναι ακόμα πιο πληροφοριακό ως
 διάγραμμα. Εντολές:

sns.set_style('darkgrid')
sns.set_theme(font_scale=1.5)
sns.displot(games, x='ΣΚΟΡ_ΣΥΝ', hue='ΑΠΟΤ', edgecolor="black", fill= True,multiple="dodge",
height =7, aspect =1.5, kind="hist")

ds 9e

Μπορούμε να δούμε αντίστοιχη πληροφορία με θηκογράμματα.
plt.figure(figsize=(16,8))
_ = sns.boxplot(x=games['ΣΚΟΡ_ΣΥΝ'], y=games['ΑΠΟΤ'], palette={'Α': 'yellow',
 'Χ': 'blue', 'Δ':'green'} )

ds 9f

Πολύ ωραίο είναι το επόμενο διάγραμμα που δείχνει για κάθε σημείο (Άσσος, Χι, Διπλό)
 σε πόσα ματς μπήκαν 0 γκολ, 1 γκολ, κοκ. Από το διάγραμμα βλέπουμε πως όταν το
 παιχνίδι έρχεται Χ, τότε τις περισσότερες φορές μπαίνουν 0 γκολ, δηλαδή 0-0, 
ακολουθούν τα 2 γκολ, δηλαδή το 1-1, με μικρή διαφορά ακολουθούν τα 4 γκολ, δηλαδή
 το 2-2, και μια μόνο φορά μπήκαν 6 και 8 γκολ, δηλαδή μια φορά σε ολόκληρη την
 χρονιά μόνο το παιχνίδι ήρθε 3-3 και μια μόνο φορά το παιχνίδι ήρθε 4-4. Επομένως
 αντιλαμβανόμαστε ότι το να επιχειρούμε να προβλέψουμε το 3-3 και το 4-4, είναι στην
 ουσία χαμένος κόπος με ποσοστό επιτυχίας στο όριο του 0,5%.
Όμοιες αναλύσεις μπορούμε να κάνουμε βλέποντας με κίτρινο και πράσινο πότε το 
παιχνίδι έρχεται Άσσος και διπλό. Βλέπουμε για παράδειγμα πως όταν μπαίνουν στο
 παιχνίδι σύνολο 5 γκολ, έρχεται με το αποτέλεσμα με πιθανότητα 70% Άσσος, και με 
πιθανότητα 30% Διπλό. Όταν όμως στο παιχνίδι μπαίνουν 3 γκολ, τότε το αποτέλεσμα 
του παιχνιδιού είναι σχεδόν στο 50%-50% για Άσσο και Διπλό. Σίγουρα αυτό αποτελεί
 ένα διάγραμμα για πολύ μελέτη και συμπεράσματα. Ο κώδικας:
plt.figure(figsize=(16,8))
_ = sns.stripplot(x=games['ΣΚΟΡ_ΣΥΝ'], y=games['ΑΠΟΤ'],linewidth=0.5,size=7,
                  jitter=.25, edgecolor= 'black', palette={'Α': 'yellow', 'Χ': 'blue', 'Δ':'green'} )

ds 9g

Επόμενο είναι το διάγραμμα βιολιού. Έχει την πληροφορία πως το πάχος κάθε βιολιού
 δείχνει που συγκεντρώνεται  μεγαλύτερη συχνότητα αποτελεσμάτων. Το μήκος του
 βιολιού δείχνει το εύρος των αποτελεσμάτων. Ο κώδικας:
plt.figure(figsize=(16,8))
_ = sns.violinplot(x=games['ΣΚΟΡ_ΣΥΝ'], y=games['ΑΠΟΤ'],
                   edgecolor= 'black', palette={'Α': 'yellow', 'Χ': 'blue', 'Δ':'green'} )

ds 9h

Τέλος, βλέπουμε πως είχαμε 83 ματς που το αποτέλεσμα ήρθε Άσσος, με μέσο όρο 
συνολικών γκολ 2,66 και τυπική απόκλιση 1,51. 58 ματς που το αποτέλεσμα ήρθε 
Άσσος με μέσο όρο συνολικών γκολ 2,68 και τυπική απόκλιση 1,23. 41 ματς που το 
αποτέλεσμα ήρθε Διπλό με μέσο όρο συνολικών γκολ 1,51 και τυπική απόκλιση 1,93. 
Κώδικας:
g = games[['ΑΠΟΤ','ΣΚΟΡ_ΣΥΝ']].copy()
g.groupby('ΑΠΟΤ').describe()

ds 9i
Κατηγορίες: data science | Δεν επιτρέπεται σχολιασμός στο Data Science – 9 – Γραφήματα Συνέχεια !!!!!

Data Science – 8 – Γραφήματα πρώτη επαφή!!!!!

Θα δούμε τώρα τα διαγράμματα. Εισάγουμε πάλι τις βιβλιοθήκες μας και το dataframe.

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

data_filename = ‘gamesff.csv’

games = pd.read_csv(data_filename,encoding=’utf-8′)

Παρακάτω θα φτιάξω ένα διάγραμμα για το σύνολο των γκολ ανά αγώνα. Στον άξονα των Χ έχω το ΑΑ και στον άξονα των Υ έχω το άθροισμα των γκολ (σύνολο γκολ, γκολ γηπεδούχων).

Γράφουμε:

plt.figure(figsize=(17,12))

plt.style.use(‘fivethirtyeight’)

plt.plot(games.ΑΑ, games.ΣΚΟΡ_ΣΥΝ, label=’Σύνολο’)

plt.plot(games.ΑΑ, games.ΣΚΟΡ_ΓΗΠ, label=’Γηπεδούχος’)

plt.xlabel(‘ΑΑ’)

plt.ylabel(‘Γκολς’)

plt.title(‘Γκολ ανά αγώνα’)

plt.legend()

Και παίρνουμε το παρακάτω διάγραμμα:

ds 8a

Κατόπιν γκρουπάρουμε τα δεδομένα μας ανά αγωνιστική για να φτιάξουμε διαγράμματα ανά αγωνιστική.

grouped = games.groupby([‘ΑΓΩΝΙΣΤΙΚΗ’])

Στη συνέχεια φτιάχνουμε διάγραμμα που να δείχνει τα γκολ που μπήκαν ανά αγωνιστική από τους γηπεδούχους, από τους Φιλοξενούμενους, και από τους δύο.

plt.figure(figsize=(15,10))

plt.style.use(‘fivethirtyeight’)

plt.plot(grouped.ΣΚΟΡ_ΣΥΝ.sum(), label=’Σύνολο’)

plt.plot(grouped.ΣΚΟΡ_ΓΗΠ.sum(), label=’ΓΗΠΕΔΟΥΧΟΣ’)

plt.plot(grouped.ΣΚΟΡ_ΦΙΛ.sum(), label=’ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ’)

plt.xlabel(‘ΑΑ’)

plt.ylabel(‘Γκολς’)

plt.title(‘Γκολ ανά αγώνα’)

plt.legend()

ds8b

Τώρα θα επιχειρήσουμε να δείξουμε την βαθμολογική θέση δύο ομάδων, του ΠΑΟΚ και του ΠΑΝΑΘΗΝΑΙΚΟΥ σε αντιπαράθεση μεταξύ τους στην διάρκεια του πρωταθλήματος. Επειδή η θέση άλλοτε βρίσκεται στο πεδίο ΘΕΣ_ΓΗΠ και άλλοτε στο πεδίο ΘΕΣΗ_ΦΙΛ, θα φτιάξουμε δύο ξεχωριστά datasets ένα για κάθε ομάδα και θα δημιουργήσουμε δύο νέες στήλες σε αυτά τα datasets που θα λέγονται θέση και θα περιέχουν την θέση της κάθε ομάδας. Στο τέλος θα φτιάξουμε το Διάγραμμα των αποτελεσμάτων. Έχουμε λοιπόν:

pao = games[(games[‘ΓΗΠΕΔΟΥΧΟΣ’] == ‘ΠΑΝΑΘΗΝΑΙΚΟΣ’) | (games[‘ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ’] == ‘ΠΑΝΑΘΗΝΑΙΚΟΣ’)]

pao[‘ΘΕΣΗ’] = np.where(pao[‘ΓΗΠΕΔΟΥΧΟΣ’] == ‘ΠΑΝΑΘΗΝΑΙΚΟΣ’,pao[‘ΘΕΣΗ_ΓΗΠ’], pao[‘ΘΕΣΗ_ΦΙΛ’])

paoκ = games[(games[‘ΓΗΠΕΔΟΥΧΟΣ’] == ‘ΠΑΟΚ’) | (games[‘ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ’] == ‘ΠΑΟΚ’)]

paoκ[‘ΘΕΣΗ’] = np.where(paoκ[‘ΓΗΠΕΔΟΥΧΟΣ’] == ‘ΠΑΟΚ’,paoκ[‘ΘΕΣΗ_ΓΗΠ’], paoκ[‘ΘΕΣΗ_ΦΙΛ’])

plt.figure(figsize=(15,8))

plt.style.use(‘fivethirtyeight’)

plt.plot(pao.ΑΓΩΝΙΣΤΙΚΗ, pao.ΘΕΣΗ, label=’ΠΑΝΑΘΗΝΑΙΚΟΣ’)

plt.plot(paoκ.ΑΓΩΝΙΣΤΙΚΗ, paoκ.ΘΕΣΗ, label=’ΠΑΟΚ’)

plt.xlabel(‘ΑΑ’)

plt.ylabel(‘ΘΕΣΗ’)

plt.title(‘θΕΣΗ ΑΝΑ ΑΓΩΝΙΣΤΙΚΗ’)

plt.legend()

Και παίρνουμε ως αποτέλεσμα το Διάγραμμα:

ds 8c

Με τον ίδιο τρόπο μπορούμε να συμπεριλάβουμε και περισσότερες ομάδες στο διάγραμμα μας.

ds 8d

Κατηγορίες: data science, Πληροφορική | Δεν επιτρέπεται σχολιασμός στο Data Science – 8 – Γραφήματα πρώτη επαφή!!!!!

Data Science – 7 – Φιλτράρισμα δεδομένων και έλεγχος βελτιστοποίησης

Μετά από κάποιες μετατροπές στο αρχικό dataset έχουμε προσθέσει κάποιες νέες στήλες. Εισάγουμε πάλι τις βιβλιοθήκες μας και το dataframe.

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

data_filename = ‘gamesff.csv’

games = pd.read_csv(data_filename,encoding=’utf-8′)

Αν πάρουμε ένα δείγμα των δεδομένων μας με την εντολή games.sample(5) θα δούμε:

ds7a

Φαίνεται λοιπόν πως έχουμε προσθέσει 6 νέες στήλες. Βλέπουμε τις στήλες με την εντολή games.columns.

Αποτέλεσμα: ‘ΑΓΩΝΙΣΤΙΚΗ’, ‘ΓΗΠΕΔΟΥΧΟΣ’, ‘ΘΕΣΗ_ΓΗΠ’, ‘ΒΑΘ_ΓΗΠ’, ‘ΓΗΠ_Φ3’,

       'ΓΗΠ_Φ5', 'ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ', 'ΘΕΣΗ_ΦΙΛ', 'ΒΑΘ_ΦΙΛ', 'ΦΙΛ_Φ3', 'ΦΙΛ_Φ5','ΣΚΟΡ_ΓΗΠ', 'ΣΚΟΡ_ΦΙΛ', 'ΣΚΟΡ_ΣΥΝ', 'ΑΠΟΤ', 'ΑΠΟΤ_ΑΡ'

Οι νέες στήλες που θα μας βοηθήσουν ιδιαίτερα στη συνέχεια είναι οι στήλες:

ΘΕΣΗ_ΓΗΠ: Είναι η βαθμολογική θέση στην οποία βρίσκεται η γηπεδούχος ομάδα πριν την έναρξη του αγώνα.

ΘΕΣΗ_ΦΙΛ: Είναι η βαθμολογική θέση στην οποία βρίσκεται η Φιλοξενούμενη ομάδα πριν την έναρξη του αγώνα.

ΒΑΘ_ΓΗΠ: Είναι οι βαθμοί που έχει μαζέψει στο πρωτάθλημα η γηπεδούχος ομάδα μέχρι το τρέχον παιχνίδι.

ΒΑΘ_ΦΙΛ: Είναι οι βαθμοί που έχει μαζέψει στο πρωτάθλημα η Φιλοξενούμενη ομάδα μέχρι το τρέχον παιχνίδι.

ΓΗΠ_Φ3: Είναι η φόρμα που βρίσκεται η γηπεδούχος ομάδα παρατηρώντας τα τρία τελευταία παιχνίδια της. Ένας αριθμός από το 0 ως το 9 ανάλογα πόσους βαθμούς μάζεψε.

ΓΗΠ_Φ5: Είναι η φόρμα που βρίσκεται η γηπεδούχος ομάδα παρατηρώντας τα πέντε τελευταία παιχνίδια της. Ένας αριθμός από το 0 ως το 15.

ΓΗΠ_Φ3: Είναι η φόρμα που βρίσκεται η Φιλοξενούμενη ομάδα παρατηρώντας τα τρία τελευταία παιχνίδια της. Ένας αριθμός από το 0 ως το 9.

ΓΗΠ_Φ5: Είναι η φόρμα που βρίσκεται η Φιλοξενούμενη ομάδα παρατηρώντας τα πέντε τελευταία παιχνίδια της. Ένας αριθμός από το 0 ως το 15.

Θα επιχειρήσουμε να δούμε παρακάτω ποια είναι τα γενικά ποσοστά που οι αγώνες έρχονται 1, Χ, 2 και αν μπορούμε να περιορίσουμε τους αγώνες υπό συνθήκες και κατά πόσο αυξάνονται τα αντίστοιχα ποσοστά. Δεν θα εφαρμοστεί κάποια μέθοδος τεχνητής νοημοσύνης προς το παρόν. Απλά θα φτιάξουμε απλά φίλτρα με συνθήκες.

Οι εντολές που θα χρησιμοποιήσουμε:

games.ΑΠΟΤ.value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ3’] > games[‘ΦΙΛ_Φ3’])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ3’] >= games[‘ΦΙΛ_Φ3’])].value_counts(normalize = True)

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ3’] > games[‘ΦΙΛ_Φ3’])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ5‘] >= games[‘ΦΙΛ_Φ5‘])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ5‘] > games[‘ΦΙΛ_Φ5‘])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ5’] >= games[‘ΦΙΛ_Φ5’]) & (games[‘ΓΗΠ_Φ3’] >= games[‘ΦΙΛ_Φ3’])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ5’] > games[‘ΦΙΛ_Φ5’]) & (games[‘ΓΗΠ_Φ3’] > games[‘ΦΙΛ_Φ3’])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ3’] <= games[‘ΦΙΛ_Φ3’])].value_counts()

games.ΑΠΟΤ[(games[‘ΓΗΠ_Φ3’] < games[‘ΦΙΛ_Φ3’]) & (games[‘ΒΑΘ_ΓΗΠ’] > games[‘ΒΑΘ_ΦΙΛ’])].value_counts()

Τρέχοντας τις παραπάνω εντολές παίρνουμε τα παρακάτω αποτελέσματα που συνοψίζονται σε έναν πίνακα

ds7b

Οι παραπάνω αναζητήσεις είναι ενδεικτικές και πρόχειρες. Κάθε ένας μπορεί να επικεντρωθεί σε οποιαδήποτε πτυχή των δεδομένων τον ενδιαφέρει. Στο παραπάνω πινακάκι βλέπουμε ήδη σημαντικά στοιχεία. Βλέπουμε πως υπό προυποθέσεις μπορούμε να περιορίσουμε τον τρόπο που διαλέγουμε τα παιχνίδια που ποντάρουμε και να αυξήσουμε τις πιθανότητες επιτυχίας. Για παράδειγμα για τον Άσσο, βλέπουμε πως ενώ γενικά έχει 45,6% πιθανότητες, στην γραμμή 6 οι πιθανότητες του Άσσο είναι 61,66%. Το Χ έχει γενικές πιθανότητες 31,86%, αλλά στις γραμμές 7 και 8 έχουμε αντίστοιχα ανεβάσει τα ποσοστά σε 36,44% και 40%. Στην 8 γραμμή είναι ακόμα παραπάνω το ποσοστό, ωστόσο, επειδή αφορά μόνο 15 παιχνίδια που πληρούν τις προϋποθέσεις πονταρίσματος, η γραμμή 7 με 107 παιχνίδια φαίνεται πιο ελκυστική. Το διπλό έχει γενική πιθανότητα 22,52% αλλά στην γραμμή 7 έχει 27,10%. Το αποτέλεσμα Χ2 έχει γενική πιθανότητα 54,38% αλλά στη γραμμή 7 έχει 63,54%

Όλα τα παραπάνω αποτελούν βελτιστοποιήσεις “με το χέρι” αφενός και όχι με μεθόδους επιστημονικής μηχανικής μάθησης, όχι όμως και αμελητέες. Ήδη μπορούν να εξαχθούν patterns που να βελτιώνουν την στρατηγική μας. Θα επιχειρήσουμε στη συνέχεια να δούμε και άλλες μεθόδους και κατά πόσο μπορούν να βελτιώσουν την αποτελεσματικότητα των παρατηρήσεων μας.

Κατηγορίες: data science, Πληροφορική | Δεν επιτρέπεται σχολιασμός στο Data Science – 7 – Φιλτράρισμα δεδομένων και έλεγχος βελτιστοποίησης

Data Science – 6 – Ομαδοποίηση – πρώτη επαφή

Αφού έχουμε πλέον δημιουργήσει ένα νέο dataset με το όνομα Greekf.csv με στήλες (ΑΓΩΝΙΣΤΙΚΗ, ΓΗΠΕΔΟΥΧΟΣ, ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ, ΣΚΟΡ_ΓΗΠ, ΣΚΟΡ_ΦΙΛ, ΣΚΟΡ_ΣΥΝ, ΑΠΟΤ, ΑΠΟΤ_ΑΡ) όπου στο ΑΠΟΤ το 1, Χ, 2 σύμβολίζεται με Α, Χ, Δ και στο ΑΠΟΤ_ΑΡ ΤΟ 1, Χ, 2 συμβολίζεται με 0, 1, 2, είναι ώρα να πάμε παρακάτω. Οι στήλες που φτιάξαμε σίγουρα θα είναι πολύ χρήσιμες. Ωστόσο πιθανόν στην πορεία να φτιάξουμε και άλλες στήλες, αυτό θα το αποφασίσουμε αργότερα ανάλογα με τις ανάγκες μας. Πιθανότατα θα χρειαστούμε τους βαθμούς κάθε ομάδας και τα γκολ, νίκες, ήττες, ισοπαλίες, εντός και εκτός έδρας και ίσως κάποιο δείκτη που να δείχνει την φόρμα στην οποία βρίσκεται η ομάδα τις τελευταίες αγωνιστικές.

Ξεκινάμε ένα νέο αρχείο Python και για να διαβάσουμε ολόκληρο το νέο μας αρχείο Greekf.csv σε ένα dataframe επαναλαμβάνουμε τις εντολές:

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

data_filename = ‘Greekf.csv’

games = pd.read_csv(data_filename,encoding=’utf-8′)

Επειδή κατά την προηγούμενη αποθήκευση δεν έβαλα κάποια κωδικοποίηση στο αρχείο, το pandas μου το αποθήκευσε με κωδικοποίηση utf-8.

Ας εξετάσουμε πως μπορούμε να κάνουμε μια ομαδοποίηση των δεδομένων μας ως προς μια ή περισσότερες στήλες. Η ομαδοποίηση γίνεται με την εντολή groupby. Η τεκμηρίωση της εντολής βρίσκεται στο (https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.groupby.html).

Μπορούμε για παράδειγμα να γκρουπάρουμε τα δεδομένα μας ανά αγωνιστική:

grouped = games.groupby(‘ΑΓΩΝΙΣΤΙΚΗ’)

for ΓΗΠΕΔΟΥΧΟΣ, ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ in grouped:

print(ΓΗΠΕΔΟΥΧΟΣ)

print(ΦΙΛΟΞΕΝΟΥΜΕΝΟΣ)

Και να τυπώσουμε ανά αγωνιστική το dataset μας.

Μπορούμε επίσης να εφαρμόσουμε συναρτήσεις πάνω στο γκρουπ. Π.χ

grouped.mean() , θα πάρουμε αποτέλεσμα

ds6a

Στο αποτέλεσμα βλέπουμε συγκεντρωμένα στατιστικά για κάθε αγωνιστική. Είχαμε βρει σε προηγούμενο άρθρο τον μέσο όρο γκολ συγκεντρωτικά σε όλο το πρωτάθλημα, τώρα βλέπουμε τα αντίστοιχα νούμερα για κάθε αγωνιστική. Αντίστοιχα μπορούμε να βρούμε άθροισμα γκολ ανά αγωνιστική ή οτιδήποτε άλλο επιθυμούμε.

Θα μπορούσαμε να κάνουμε άλλη ομαδοποίηση και να πάρουμε τα ματς ανά ομάδα γηπεδούχο:

grouped = games.groupby(‘ΓΗΠΕΔΟΥΧΟΣ’)

for ΓΗΠΕΔΟΥΧΟΣ in grouped:

print(ΓΗΠΕΔΟΥΧΟΣ)

Όλα αυτά τα αποτελέσματα θα μπορούσαμε να τα αποθηκεύσουμε και σε νέα dataframes για περαιτέρω επεξεργασία.

Γίνεται επίσης ομαδοποίηση και κατά περισσότερες στήλες. Για παράδειγμα αν γράψουμε:

grouped = games.groupby([‘ΓΗΠΕΔΟΥΧΟΣ’, ‘ΣΚΟΡ_ΓΗΠ’])

for (ΓΗΠΕΔΟΥΧΟΣ, ΣΚΟΡ_ΓΗΠ) in grouped:

print(ΓΗΠΕΔΟΥΧΟΣ, ΣΚΟΡ_ΓΗΠ)

Θα πάρουμε ως αποτέλεσμα για κάθε μια ομάδα ως γηπεδούχο τα αποτελέσματα της ανά ΣΚΟΡ_ΓΗΠ, δηλαδή τα ματς που η ΑΕΚ έβαλε 0 γκολ, τα ματς που έβαλε 1 γκολ κοκ, μετά τα ματς που ο Απόλλων έβαλε ως γηπεδούχος 0 γκολ, μετά αυτά που έβαλε 1 γκολ κοκ, για όλες τις ομάδες. Αν λοιπόν έχουμε 12 ομάδες και όλες έχουν βάλει ως γηπεδούχοι από 0 ως 4 γκολ (δηλαδή 5 ομάδες), τότε θα πάρουμε ως αποτέλεσμα 5*12 = 60 διαφορετικές ομάδες σε κάθε μια από τις οποίες θα εμφανίζονται οι λεπτομέρειες, όλες δηλαδή οι στήλες των αντίστοιχων αγώνων.

ds6b

Μπορούμε και πάλι να εφαρμόσουμε συναρτήσεις, ας πάρουμε μέσους όρους.

grouped.mean() θα πάρουμε ως αποτέλεσμα:

ds6c

Κατηγορίες: data science | Δεν επιτρέπεται σχολιασμός στο Data Science – 6 – Ομαδοποίηση – πρώτη επαφή