diff --git a/.dev/log/2026-09-03-ml-round2-answers.md b/.dev/log/2026-09-03-ml-round2-answers.md
index e73fcd6..84cede4 100644
--- a/.dev/log/2026-09-03-ml-round2-answers.md
+++ b/.dev/log/2026-09-03-ml-round2-answers.md
@@ -16,3 +16,5 @@
 **Next**: local-bundle validation against a scenario-28 harness PR on the `.ml` lane (expect the blocks byte-identical and the diff-check green), then PR, then release before round 4 is generated.
 
 **Addendum, same day — released.** Copilot's three comments on #303 addressed (`8af4de5`); #303 merged `07e7c64`; release PR #304 (`9284fbc`, Copilot's one comment adopted: an empty `[Unreleased]` header now stays above the released section, recorded in the AGENTS.md checklist). §4a gate on `v0.28.0`: 84/84 sync runs, 28/28 delivery + 28/28 verdicts per lane at `engineVersion: 0.28.0`; scenario 28 on `.ml` delivered both blocks byte-identical (test-translation-sync.ml#126), PASS/auto-merge. `v0.28` + `v0` moved to `9284fbc`; alias smoke on scenario 01 reports `engineRef: v0` / `0.28.0` on all lanes. GitHub release published. W1 (#259) retargeted to v0.29.0. Gate-tally recipe: `gh api …/actions/runs?created=>=<gate-start>` grouped by workflow name and conclusion, then the last verdict comment's `engineVersion` per open target PR — the `created` filter is loose, so key the tally on the runs' own timestamps if the numbers look inflated.
+
+**Addendum 2 — round 3 regenerated at v0.28.0.** The editor had not started ml#13, so the seed was regenerated at the release (ml#13 `9e8616b`, v0.27.0 draw kept as the previous commit) and the pair archived as `experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/` (#306). Under glossary v0.5.0 the v0.27.0 draw fails the *already* / *name* pins and needed a heading hand-fix; the v0.28.0 draw is clean on both, lints 0/0/0/1, exercise blocks verbatim by construction; draw-to-draw prose 14% identical lines / 0.683 similarity, the round-2 order of variance. #302 and #305 merged (main `37374d7`); #306 open.
diff --git a/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/README.md b/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/README.md
new file mode 100644
index 0000000..3396d1a
--- /dev/null
+++ b/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/README.md
@@ -0,0 +1,49 @@
+# Arm: round 3 (`matplotlib`) regenerated at v0.28.0 — before review, 2026-09-03
+
+The round-3 calibration seed on lecture-python-programming.ml#13 was generated at
+v0.27.0 on 2026-09-01. The editor had not started reviewing it when v0.28.0 shipped
+on 2026-09-03 with his ml#12 answers (glossary v0.5.0, rules 24 → 23) and the
+verbatim exercise-family policy, so the lecture was regenerated at the new release
+and the PR head replaced (ml#13 `9e8616b`; the v0.27.0 draw stays as the previous
+commit). Both draws are archived here because the pair is a clean before/after of
+one release on one lecture with nothing else varied — the first arm whose "reviewed"
+column is still empty, to be filled in when round 3 is applied.
+
+## Provenance
+
+| Field | v0.27.0 draw (ml#13 `1f726ff`) | v0.28.0 draw (ml#13 `9e8616b`) |
+|---|---|---|
+| Model | `claude-sonnet-5` | `claude-sonnet-5` |
+| Command | `init … --target-language ml -f matplotlib.md --localize none` | same |
+| Source | `QuantEcon/lecture-python-programming@4980d62` | same (unchanged) |
+| Engine | v0.27.0 (`125801c`) | v0.28.0 (`9284fbc`), built at main `37374d7` (dev-only diff) |
+| Tokens / wall time | 25.8k / 3.4 min (as logged on ml#13) | 13,168 / 124 s |
+| Hand edits | one heading restored (`Matplotlib-യുടെ` → `Matplotlib's`) | none |
+
+## Scores (`scripts/ml_metrics.py`, glossary v0.5.0 for both)
+
+| Check | v0.27.0 draw | v0.28.0 draw |
+|---|---|---|
+| headings byte-identical | 15/15 **after** a hand restoration | 15/15, no hand edit |
+| pinned-term retention (17 checked) | FAIL: *already* → ഇതിനകം, *name* → പേര് (+ `returns`, the #240 false positive) | clean apart from `returns` |
+| round-2 lints (bare ending / lowercase-initial / banned / hortative-watch) | 0 / 1 / 0 / 1 | 0 / 0 / 0 / 1 |
+| casing variants / transliterations | 0 / 0 | 0 / 0 |
+| exercise + solution blocks byte-identical | yes (by content — the v0.27.0 rule allowed translation) | yes (by construction — verbatim policy) |
+| script ratio (mean / median) | 0.517 / 0.539 | 0.520 / 0.534 |
+| നമുക്ക് (hortative subject) | 8 | 10 |
+| *For example* kept English | 1/1 | 1/1 |
+
+## Closeness between the two draws
+
+Same length (509 lines) and the same 66 Malayalam prose lines, but only 9 of those
+lines are byte-identical across the draws (14%); character-level similarity of the
+prose 0.683. That is the same order of draw-to-draw variance the round-2 arms showed
+(exact-line match 11–21% against the reviewed text), so the gate improvements above
+are attributable to the release, the wording differences are not.
+
+## What to read off it when round 3 is reviewed
+
+Fill in a "reviewed" column from the editor's suggestions on ml#13 and compute the
+closeness of each draw to it. If the v0.28.0 draw is not closer than the v0.27.0
+draw despite the cleaner gates, the ml#12 pins are not where the remaining review
+effort goes — the prose classes (#260's post-processing) are.
diff --git a/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/matplotlib-v0.27.0.md b/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/matplotlib-v0.27.0.md
new file mode 100644
index 0000000..33b9e72
--- /dev/null
+++ b/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/matplotlib-v0.27.0.md
@@ -0,0 +1,508 @@
+---
+jupytext:
+  text_representation:
+    extension: .md
+    format_name: myst
+kernelspec:
+  display_name: Python 3
+  language: python
+  name: python3
+translation:
+  title: Matplotlib
+  headings:
+    Overview: Overview
+    Overview::Matplotlib's Split Personality: Matplotlib's Split Personality
+    The APIs: The APIs
+    The APIs::The MATLAB-style API: The MATLAB-style API
+    The APIs::The Object-Oriented API: The Object-Oriented API
+    The APIs::Tweaks: Tweaks
+    More Features: More Features
+    More Features::Multiple Plots on One Axis: Multiple Plots on One Axis
+    More Features::Multiple Subplots: Multiple Subplots
+    More Features::3D Plots: 3D Plots
+    More Features::A Customizing Function: A Customizing Function
+    More Features::Style Sheets: Style Sheets
+    Further Reading: Further Reading
+    Exercises: Exercises
+---
+
+(matplotlib)=
+```{raw} jupyter
+<div id="qe-notebook-header" align="right" style="text-align:right;">
+        <a href="https://quantecon.org/" title="quantecon.org">
+                <img style="width:250px;display:inline;" width="250px" src="https://assets.quantecon.org/img/qe-menubar-logo.svg" alt="QuantEcon">
+        </a>
+</div>
+```
+
+# {index}`Matplotlib <single: Matplotlib>`
+
+```{index} single: Python; Matplotlib
+```
+
+## Overview
+
+ഈ lectures-ൽ [Matplotlib](https://matplotlib.org/) ഉപയോഗിച്ച് നമ്മൾ ഇതിനകം ധാരാളം figures generate ചെയ്തിട്ടുണ്ട്.
+
+Matplotlib എന്നത് scientific computing-നു വേണ്ടി design ചെയ്ത ഒരു മികച്ച graphics library ആണ്, അതിൽ ഇവയുണ്ട്:
+
+* high-quality 2D, 3D plots
+* സാധാരണ formats-ലെല്ലാമുള്ള output (PDF, PNG മുതലായവ)
+* LaTeX integration
+* presentation-ന്റെ എല്ലാ വശങ്ങളിലും fine-grained control
+* animation മുതലായവ
+
+### Matplotlib's Split Personality
+
+Matplotlib വ്യത്യസ്തമായത് അത് plotting-ന് രണ്ട് വ്യത്യസ്ത interfaces provide ചെയ്യുന്നു എന്നതിലാണ്.
+
+ഒന്ന്, MATLAB refugees-ന് ഒരു ready home കണ്ടെത്താൻ സഹായിക്കാൻ വേണ്ടി എഴുതിയ simple ആയ MATLAB-style API (Application Programming Interface) ആണ്.
+
+മറ്റൊന്ന് കൂടുതൽ "Pythonic" ആയ object-oriented API ആണ്.
+
+താഴെ വിവരിക്കുന്ന കാരണങ്ങളാൽ, രണ്ടാമത്തെ API ഉപയോഗിക്കാൻ ഞങ്ങൾ recommend ചെയ്യുന്നു.
+
+പക്ഷേ ആദ്യം, ഈ വ്യത്യാസം എന്താണെന്ന് നോക്കാം.
+
+## The APIs
+
+```{index} single: Matplotlib; Simple API
+```
+
+### The MATLAB-style API
+
+Introductory treatments-ൽ കാണാൻ സാധ്യതയുള്ള ഒരു easy ആയ example താഴെ കാണാം:
+
+```{code-cell} ipython
+import matplotlib.pyplot as plt
+import numpy as np
+
+x = np.linspace(0, 10, 200)
+y = np.sin(x)
+
+plt.plot(x, y, 'b-', linewidth=2)
+plt.show()
+```
+
+ഇത് simple-ഉം convenient-ഉം ആണ്, പക്ഷേ ഇതിന് ചില പരിമിതികളുണ്ട്, മാത്രമല്ല ഇത് un-Pythonic ആണ്.
+
+For example, function calls-ൽ, programmer-നെ അറിയിക്കാതെ തന്നെ ധാരാളം objects create ചെയ്യപ്പെടുകയും pass ചെയ്യപ്പെടുകയും ചെയ്യുന്നു.
+
+Python programmers സാധാരണയായി കൂടുതൽ explicit ആയ ഒരു programming style ആണ് preferചെയ്യുന്നത് (ഒരു code block-ൽ `import this` run ചെയ്ത് രണ്ടാമത്തെ line നോക്കുക).
+
+ഇത് നമ്മെ ഒരു alternative ആയ, object-oriented Matplotlib API-യിലേക്ക് നയിക്കുന്നു.
+
+### The Object-Oriented API
+
+Object-oriented API ഉപയോഗിച്ച്, മുമ്പത്തെ figure-നു അനുയോജ്യമായ code താഴെ കാണാം:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'b-', linewidth=2)
+plt.show()
+```
+
+ഇവിടെ `fig, ax = plt.subplots()` എന്ന call ഒരു pair return ചെയ്യുന്നു, അതിൽ:
+
+* `fig` ഒരു `Figure` instance ആണ് --- ഒരു blank canvas പോലെ.
+* `ax` ഒരു `AxesSubplot` instance ആണ് --- plotting ചെയ്യാനുള്ള ഒരു frame ആയി കരുതുക.
+
+`plot()` function യഥാർത്ഥത്തിൽ `ax`-ന്റെ ഒരു method ആണ്.
+
+കുറച്ചുകൂടി typing വേണ്ടിവരുമെങ്കിലും, objects-ന്റെ കൂടുതൽ explicit ആയ ഉപയോഗം നമുക്ക് കൂടുതൽ നല്ല control നൽകുന്നു.
+
+നമ്മൾ മുന്നോട്ട് പോകുമ്പോൾ ഇത് കൂടുതൽ വ്യക്തമാകും.
+
+### Tweaks
+
+ഇവിടെ നമ്മൾ line-ന്റെ നിറം red ആക്കി മാറ്റുകയും ഒരു legend ചേർക്കുകയും ചെയ്തിരിക്കുന്നു:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label='sine function', alpha=0.6)
+ax.legend()
+plt.show()
+```
+
+Line-നെ അല്പം transparent ആക്കാൻ നമ്മൾ `alpha` ഉപയോഗിച്ചിട്ടുണ്ട് --- ഇത് അതിനെ smooth ആയി കാണിക്കുന്നു.
+
+`ax.legend()`-നെ `ax.legend(loc='upper center')` ഉപയോഗിച്ച് മാറ്റി legend-ന്റെ സ്ഥാനം മാറ്റാൻ സാധിക്കും.
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label='sine function', alpha=0.6)
+ax.legend(loc='upper center')
+plt.show()
+```
+
+എല്ലാം ശരിയായി configure ചെയ്തിട്ടുണ്ടെങ്കിൽ, LaTeX ചേർക്കുന്നത് വളരെ എളുപ്പം ആണ്:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label=r'$y=\sin(x)$', alpha=0.6)
+ax.legend(loc='upper center')
+plt.show()
+```
+
+Ticks control ചെയ്യുന്നതും titles ചേർക്കുന്നതും മറ്റും also എളുപ്പം ആണ്:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label=r'$y=\sin(x)$', alpha=0.6)
+ax.legend(loc='upper center')
+ax.set_yticks([-1, 0, 1])
+ax.set_title('Test plot')
+plt.show()
+```
+
+## More Features
+
+Matplotlib-ന് വളരെ വലിയ ഒരു functions-ന്റെ ഒപ്പം features-ന്റെ collection ഉണ്ട്, ആവശ്യമായി വരുമ്പോൾ കാലക്രമേണ നിങ്ങൾ അവ discover ചെയ്യും.
+
+അതിൽ ചിലത് മാത്രം ഇവിടെ പറയാം.
+
+### Multiple Plots on One Axis
+
+```{index} single: Matplotlib; Multiple Plots on One Axis
+```
+
+ഒരേ axes-ൽ multiple plots generate ചെയ്യുന്നത് വളരെ എളുപ്പം ആണ്.
+
+Random ആയി മൂന്ന് normal densities generate ചെയ്ത് അവയുടെ mean-ഉള്ള ഒരു label ചേർക്കുന്ന example താഴെ കാണാം:
+
+```{code-cell} python3
+from scipy.stats import norm
+from random import uniform
+
+fig, ax = plt.subplots()
+x = np.linspace(-4, 4, 150)
+for i in range(3):
+    m, s = uniform(-1, 1), uniform(1, 2)
+    y = norm.pdf(x, loc=m, scale=s)
+    current_label = rf'$\mu = {m:.2}$'
+    ax.plot(x, y, linewidth=2, alpha=0.6, label=current_label)
+ax.legend()
+plt.show()
+```
+
+### Multiple Subplots
+
+```{index} single: Matplotlib; Subplots
+```
+
+ചിലപ്പോൾ നമുക്ക് ഒരു figure-ൽ multiple subplots വേണ്ടിവരും.
+
+6 histograms generate ചെയ്യുന്ന ഒരു example താഴെ കാണാം:
+
+```{code-cell} python3
+num_rows, num_cols = 3, 2
+fig, axes = plt.subplots(num_rows, num_cols, figsize=(10, 12))
+for i in range(num_rows):
+    for j in range(num_cols):
+        m, s = uniform(-1, 1), uniform(1, 2)
+        x = norm.rvs(loc=m, scale=s, size=100)
+        axes[i, j].hist(x, alpha=0.6, bins=20)
+        t = rf'$\mu = {m:.2}, \quad \sigma = {s:.2}$'
+        axes[i, j].set(title=t, xticks=[-4, 0, 4], yticks=[])
+plt.show()
+```
+
+### 3D Plots
+
+```{index} single: Matplotlib; 3D Plots
+```
+
+Matplotlib 3D plots-ന്റെ കാര്യത്തിലും നല്ല ജോലി ചെയ്യുന്നു --- ഒരു example താഴെ കാണാം:
+
+```{code-cell} python3
+from mpl_toolkits.mplot3d.axes3d import Axes3D
+from matplotlib import cm
+
+
+def f(x, y):
+    return np.cos(x**2 + y**2) / (1 + x**2 + y**2)
+
+xgrid = np.linspace(-3, 3, 50)
+ygrid = xgrid
+x, y = np.meshgrid(xgrid, ygrid)
+
+fig = plt.figure(figsize=(10, 6))
+ax = fig.add_subplot(111, projection='3d')
+ax.plot_surface(x,
+                y,
+                f(x, y),
+                rstride=2, cstride=2,
+                cmap=cm.jet,
+                alpha=0.7,
+                linewidth=0.25)
+ax.set_zlim(-0.5, 1.0)
+plt.show()
+```
+
+### A Customizing Function
+
+ഒരു set of customizations നിങ്ങൾ സ്ഥിരമായി ഉപയോഗിക്കുന്നത് കണ്ടെത്തിയേക്കാം.
+
+നമ്മുടെ axes origin-ലൂടെ പോകണം എന്നും, ഒരു grid ഉണ്ടാകണം എന്നും നമ്മൾ സാധാരണയായി preferചെയ്യുന്നു എന്ന് കരുതുക.
+
+ഈ മാറ്റങ്ങൾ implement ചെയ്യുന്ന ഒരു custom `subplots` function build ചെയ്യാൻ object-oriented API എങ്ങനെ ഉപയോഗിക്കാം എന്നതിന്റെ ഒരു നല്ല example [Matthew Doty](https://github.com/xcthulhu)-യിൽ നിന്നും താഴെ കാണാം.
+
+Code ശ്രദ്ധയോടെ വായിച്ച്, എന്താണ് നടക്കുന്നത് എന്ന് follow ചെയ്യാൻ കഴിയുമോ എന്ന് നോക്കുക:
+
+```{code-cell} python3
+def subplots():
+    "Custom subplots with axes through the origin"
+    fig, ax = plt.subplots()
+
+    # Set the axes through the origin
+    for spine in ['left', 'bottom']:
+        ax.spines[spine].set_position('zero')
+    for spine in ['right', 'top']:
+        ax.spines[spine].set_color('none')
+
+    ax.grid()
+    return fig, ax
+
+
+fig, ax = subplots()  # Call the local version, not plt.subplots()
+x = np.linspace(-2, 10, 200)
+y = np.sin(x)
+ax.plot(x, y, 'r-', linewidth=2, label='sine function', alpha=0.6)
+ax.legend(loc='lower right')
+plt.show()
+```
+
+Custom `subplots` function:
+
+1. `fig, ax` pair generate ചെയ്യാൻ internal ആയി standard `plt.subplots` function-നെ call ചെയ്യുന്നു,
+1. `ax`-ൽ ആവശ്യമായ customizations വരുത്തുന്നു, ഒപ്പം
+1. `fig, ax` pair-നെ calling code-ലേക്ക് pass ചെയ്ത് തിരികെ നൽകുന്നു.
+
+### Style Sheets
+
+Matplotlib-ലെ മറ്റൊരു വളരെ useful ആയ feature ആണ് [style sheets](https://matplotlib.org/stable/gallery/style_sheets/style_sheets_reference.html).
+
+Uniform ആയ styles ഉള്ള plots create ചെയ്യാൻ നമുക്ക് style sheets ഉപയോഗിക്കാം.
+
+`plt.style.available` എന്ന attribute print ചെയ്ത് available styles-ന്റെ ഒരു list നമുക്ക് കണ്ടെത്താം:
+
+```{code-cell} python3
+print(plt.style.available)
+```
+
+ഇനി style sheet set ചെയ്യാൻ നമുക്ക് `plt.style.use()` method ഉപയോഗിക്കാം.
+
+ഒരു style sheet-ന്റെ പേര് എടുത്ത് ആ style ഉപയോഗിച്ച് വ്യത്യസ്ത plots വരയ്ക്കുന്ന ഒരു function നമുക്ക് എഴുതാം:
+
+```{code-cell} python3
+
+def draw_graphs(style='default'):
+
+    # Setting a style sheet
+    plt.style.use(style)
+
+    fig, axes = plt.subplots(nrows=1, ncols=4, figsize=(10, 3))
+    x = np.linspace(-13, 13, 150)
+
+    # Set seed values to replicate results of random draws
+    np.random.seed(9)
+
+    for i in range(3):
+
+        # Draw mean and standard deviation from uniform distributions
+        m, s = np.random.uniform(-8, 8), np.random.uniform(2, 2.5)
+
+        # Generate a normal density plot
+        y = norm.pdf(x, loc=m, scale=s)
+        axes[0].plot(x, y, linewidth=3, alpha=0.7)
+
+        # Create a scatter plot with random X and Y values 
+        # from normal distributions
+        rnormX = norm.rvs(loc=m, scale=s, size=150)
+        rnormY = norm.rvs(loc=m, scale=s, size=150)
+        axes[1].plot(rnormX, rnormY, ls='none', marker='o', alpha=0.7)
+
+        # Create a histogram with random X values
+        axes[2].hist(rnormX, alpha=0.7)
+
+        # and a line graph with random Y values
+        axes[3].plot(x, rnormY, linewidth=2, alpha=0.7)
+
+    style_name = style.split('-')[0]
+    plt.suptitle(f'Style: {style_name}', fontsize=13)
+    plt.show()
+
+```
+
+ഈ styles-ൽ ചിലത് എങ്ങനെ കാണപ്പെടുന്നു എന്ന് നോക്കാം.
+
+ആദ്യം, `seaborn` എന്ന style sheet ഉപയോഗിച്ച് graphs വരയ്ക്കാം:
+
+```{code-cell} python3
+draw_graphs(style='seaborn-v0_8')
+```
+
+Plots-ലെ colors ഒഴിവാക്കാൻ നമുക്ക് `grayscale` ഉപയോഗിക്കാം:
+
+```{code-cell} python3
+draw_graphs(style='grayscale')
+```
+
+`ggplot` എങ്ങനെ കാണപ്പെടുന്നു എന്ന് താഴെ കാണാം:
+
+```{code-cell} python3
+draw_graphs(style='ggplot')
+```
+
+നമുക്ക് `dark_background` എന്ന style-ഉം ഉപയോഗിക്കാം:
+
+```{code-cell} python3
+draw_graphs(style='dark_background')
+```
+
+List-ലെ മറ്റ് styles experiment ചെയ്യാൻ നിങ്ങൾക്ക് ഈ function ഉപയോഗിക്കാം.
+
+നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ, നിങ്ങളുടെ own style sheets തന്നെ create ചെയ്യാം.
+
+നിങ്ങളുടെ style sheets-ന്റെ parameters `plt.rcParams` എന്ന dictionary-like variable-ൽ store ചെയ്യപ്പെടുന്നു:
+
+```{code-cell} python3
+---
+tags: [hide-output]
+---
+ 
+print(plt.rcParams.keys())
+
+```
+
+നിങ്ങളുടെ style sheets-ന് വേണ്ടി set ചെയ്യാൻ കഴിയുന്ന ധാരാളം parameters ഉണ്ട്.
+
+നിങ്ങളുടെ style sheet-ന്റെ parameters set ചെയ്യാൻ:
+
+1. നിങ്ങളുടെ own [`matplotlibrc` file](https://matplotlib.org/stable/users/explain/customizing.html) create ചെയ്യുക, അല്ലെങ്കിൽ
+2. `plt.rcParams` എന്ന dictionary-like variable-ൽ store ചെയ്തിരിക്കുന്ന values update ചെയ്യുക
+
+രണ്ടാമത്തെ method ഉപയോഗിച്ച് overlay ചെയ്ത നമ്മുടെ density lines-ന്റെ style മാറ്റാം:
+
+```{code-cell} python3
+from cycler import cycler
+
+# set to the default style sheet
+plt.style.use('default')
+
+# You can update single values using keys:
+
+# Set the font style to italic
+plt.rcParams['font.style'] = 'italic'
+
+# Update linewidth
+plt.rcParams['lines.linewidth'] = 2
+
+
+# You can also update many values at once using the update() method:
+
+parameters = {
+
+    # Change default figure size
+    'figure.figsize': (5, 4),
+
+    # Add horizontal grid lines
+    'axes.grid': True,
+    'axes.grid.axis': 'y',
+
+    # Update colors for density lines
+    'axes.prop_cycle': cycler('color', 
+                            ['dimgray', 'slategrey', 'darkgray'])
+}
+
+plt.rcParams.update(parameters)
+
+
+```
+
+```{note} 
+
+ഈ settings `global` ആണ്.
+
+`.rcParams`-ലെ parameters മാറ്റിയതിന് ശേഷം generate ചെയ്യുന്ന ഏതൊരു plot-നും ഈ setting affect ചെയ്യും.
+
+```
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+x = np.linspace(-4, 4, 150)
+for i in range(3):
+    m, s = uniform(-1, 1), uniform(1, 2)
+    y = norm.pdf(x, loc=m, scale=s)
+    current_label = rf'$\mu = {m:.2}$'
+    ax.plot(x, y, linewidth=2, alpha=0.6, label=current_label)
+ax.legend()
+plt.show()
+```
+
+നിങ്ങളുടെ style വീണ്ടും default ആയി മാറ്റാൻ `default` style sheet വീണ്ടും apply ചെയ്യുക:
+
+```{code-cell} python3
+
+plt.style.use('default')
+
+# Reset default figure size
+plt.rcParams['figure.figsize'] = (10, 6)
+
+```
+
+## Further Reading
+
+* [Matplotlib gallery](https://matplotlib.org/stable/gallery/index.html) ധാരാളം examples provide ചെയ്യുന്നു.
+* Nicolas Rougier, Mike Muller, Gael Varoquaux എന്നിവരുടെ ഒരു നല്ല [Matplotlib tutorial](https://scipy-lectures.org/intro/matplotlib/index.html).
+* [mpltools](https://tonysyu.github.io/mpltools/index.html) plot styles-ന് ഇടയിൽ എളുപ്പം switching ചെയ്യാൻ അനുവദിക്കുന്നു.
+* [Seaborn](https://github.com/mwaskom/seaborn) Matplotlib-ൽ common ആയ statistics plots സഹായിക്കുന്നു.
+
+## Exercises
+
+```{exercise-start}
+:label: mpl_ex1
+```
+
+Plot the function
+
+$$
+f(x) = \cos(\pi \theta x) \exp(-x)
+$$
+
+over the interval $[0, 5]$ for each $\theta$ in `np.linspace(0, 2, 10)`.
+
+Place all the curves in the same figure.
+
+The output should look like this
+
+```{image} /_static/lecture_specific/matplotlib/matplotlib_ex1.png
+:scale: 130
+:align: center
+```
+
+```{exercise-end}
+```
+
+```{solution-start} mpl_ex1
+:class: dropdown
+```
+
+Here's one solution
+
+```{code-cell} ipython3
+def f(x, θ):
+    return np.cos(np.pi * θ * x ) * np.exp(- x)
+
+θ_vals = np.linspace(0, 2, 10)
+x = np.linspace(0, 5, 200)
+fig, ax = plt.subplots()
+
+for θ in θ_vals:
+    ax.plot(x, f(x, θ))
+
+plt.show()
+```
+
+```{solution-end}
+```
diff --git a/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/matplotlib-v0.28.0.md b/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/matplotlib-v0.28.0.md
new file mode 100644
index 0000000..31beeef
--- /dev/null
+++ b/experiments/ml-benchmark/arms/2026-09-03-round3-matplotlib-v0.28.0/matplotlib-v0.28.0.md
@@ -0,0 +1,508 @@
+---
+jupytext:
+  text_representation:
+    extension: .md
+    format_name: myst
+kernelspec:
+  display_name: Python 3
+  language: python
+  name: python3
+translation:
+  title: Matplotlib
+  headings:
+    Overview: Overview
+    Overview::Matplotlib's Split Personality: Matplotlib's Split Personality
+    The APIs: The APIs
+    The APIs::The MATLAB-style API: The MATLAB-style API
+    The APIs::The Object-Oriented API: The Object-Oriented API
+    The APIs::Tweaks: Tweaks
+    More Features: More Features
+    More Features::Multiple Plots on One Axis: Multiple Plots on One Axis
+    More Features::Multiple Subplots: Multiple Subplots
+    More Features::3D Plots: 3D Plots
+    More Features::A Customizing Function: A Customizing Function
+    More Features::Style Sheets: Style Sheets
+    Further Reading: Further Reading
+    Exercises: Exercises
+---
+
+(matplotlib)=
+```{raw} jupyter
+<div id="qe-notebook-header" align="right" style="text-align:right;">
+        <a href="https://quantecon.org/" title="quantecon.org">
+                <img style="width:250px;display:inline;" width="250px" src="https://assets.quantecon.org/img/qe-menubar-logo.svg" alt="QuantEcon">
+        </a>
+</div>
+```
+
+# {index}`Matplotlib <single: Matplotlib>`
+
+```{index} single: Python; Matplotlib
+```
+
+## Overview
+
+ഈ lectures-ൽ [Matplotlib](https://matplotlib.org/) ഉപയോഗിച്ച് നമ്മൾ already ധാരാളം figures generate ചെയ്തിട്ടുണ്ട്.
+
+Matplotlib scientific computing-നായി design ചെയ്ത ഒരു മികച്ച graphics library ആണ്. ഇതിൽ ഉള്ളത്:
+
+* high-quality 2D and 3D plots
+* സാധാരണ formats-ലെല്ലാം (PDF, PNG, etc.) output
+* LaTeX integration
+* presentation-ന്റെ എല്ലാ വശങ്ങളിലും fine-grained control
+* animation, etc.
+
+### Matplotlib's Split Personality
+
+Matplotlib-ന്റെ ഒരു പ്രത്യേകത, plotting-നായി അത് രണ്ട് വ്യത്യസ്ത interfaces provide ചെയ്യുന്നു എന്നതാണ്.
+
+ഒന്ന്, MATLAB refugees-ന് എളുപ്പം home ആയി തോന്താൻ എഴുതിയ ലളിതമായ ഒരു MATLAB-style API (Application Programming Interface) ആണ്.
+
+മറ്റൊന്ന്, കൂടുതൽ "Pythonic" ആയ object-oriented API ആണ്.
+
+താഴെ പറയുന്ന കാരണങ്ങളാൽ, രണ്ടാമത്തെ API ഉപയോഗിക്കാൻ ഞങ്ങൾ recommend ചെയ്യുന്നു.
+
+പക്ഷേ ആദ്യം, ഇവ തമ്മിലുള്ള വ്യത്യാസം നമുക്ക് നോക്കാം.
+
+## The APIs
+
+```{index} single: Matplotlib; Simple API
+```
+
+### The MATLAB-style API
+
+Introductory treatments-ൽ കാണാവുന്ന തരത്തിലുള്ള എളുപ്പമായ ഒരു example താഴെ കാണാം:
+
+```{code-cell} ipython
+import matplotlib.pyplot as plt
+import numpy as np
+
+x = np.linspace(0, 10, 200)
+y = np.sin(x)
+
+plt.plot(x, y, 'b-', linewidth=2)
+plt.show()
+```
+
+ഇത് simple-ഉം convenient-ഉം ആണ്, പക്ഷേ ചില പരിമിതികളുണ്ട്, കൂടാതെ un-Pythonic ആണ്.
+
+For example, ഈ function calls-ൽ, programmer-ന് അറിയാതെ തന്നെ ധാരാളം objects create ചെയ്യപ്പെടുകയും pass ചെയ്യപ്പെടുകയും ചെയ്യുന്നു.
+
+Python programmers കൂടുതൽ explicit ആയ ഒരു programming style ആണ് പൊതുവെ prefer ചെയ്യുന്നത് (ഒരു code block-ൽ `import this` run ചെയ്ത് രണ്ടാമത്തെ line നോക്കുക).
+
+ഇത് നമ്മളെ alternative ആയ, object-oriented Matplotlib API-യിലേക്ക് എത്തിക്കുന്നു.
+
+### The Object-Oriented API
+
+Object-oriented API ഉപയോഗിച്ച് മുൻപത്തെ figure-ന് സമാനമായ code താഴെ കാണാം:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'b-', linewidth=2)
+plt.show()
+```
+
+ഇവിടെ `fig, ax = plt.subplots()` എന്ന call ഒരു pair return ചെയ്യുന്നു. അതിൽ:
+
+* `fig` ഒരു `Figure` instance ആണ്---ഒരു blank canvas പോലെ.
+* `ax` ഒരു `AxesSubplot` instance ആണ്---plotting ചെയ്യാനുള്ള ഒരു frame ആയി കരുതുക.
+
+`plot()` function യഥാർത്ഥത്തിൽ `ax`-ന്റെ ഒരു method ആണ്.
+
+കുറച്ചുകൂടി typing വേണ്ടിവരുമെങ്കിലും, objects-ന്റെ കൂടുതൽ explicit ആയ ഉപയോഗം നമുക്ക് മെച്ചപ്പെട്ട control നൽകുന്നു.
+
+നമ്മൾ മുന്നോട്ട് പോകുമ്പോൾ ഇത് കൂടുതൽ വ്യക്തമാകും.
+
+### Tweaks
+
+ഇവിടെ line-ന്റെ നിറം red ആക്കി മാറ്റുകയും ഒരു legend ചേർക്കുകയും ചെയ്തിരിക്കുന്നു:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label='sine function', alpha=0.6)
+ax.legend()
+plt.show()
+```
+
+Line-നെ അല്പം transparent ആക്കാൻ `alpha` ഉപയോഗിച്ചു---ഇത് കാഴ്ചയിൽ കൂടുതൽ smooth ആയി തോന്നിക്കും.
+
+`ax.legend()`-ന് പകരം `ax.legend(loc='upper center')` ഉപയോഗിച്ച് legend-ന്റെ സ്ഥാനം മാറ്റാം.
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label='sine function', alpha=0.6)
+ax.legend(loc='upper center')
+plt.show()
+```
+
+എല്ലാം ശരിയായി configure ചെയ്തിട്ടുണ്ടെങ്കിൽ, LaTeX ചേർക്കുന്നത് വളരെ എളുപ്പമാണ്:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label=r'$y=\sin(x)$', alpha=0.6)
+ax.legend(loc='upper center')
+plt.show()
+```
+
+Ticks control ചെയ്യുന്നതും titles ചേർക്കുന്നതും മറ്റും അതുപോലെതന്നെ എളുപ്പം ആണ്:
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+ax.plot(x, y, 'r-', linewidth=2, label=r'$y=\sin(x)$', alpha=0.6)
+ax.legend(loc='upper center')
+ax.set_yticks([-1, 0, 1])
+ax.set_title('Test plot')
+plt.show()
+```
+
+## More Features
+
+Matplotlib-ൽ ധാരാളം functions-ഉം features-ഉം ഉണ്ട്. ആവശ്യം വരുന്ന മുറയ്ക്ക് കാലക്രമേണ അവയെ കണ്ടെത്താം.
+
+അതിൽ ചിലത് മാത്രം ഇവിടെ പരാമർശിക്കുന്നു.
+
+### Multiple Plots on One Axis
+
+```{index} single: Matplotlib; Multiple Plots on One Axis
+```
+
+ഒരേ axes-ൽ multiple plots generate ചെയ്യുന്നത് വളരെ എളുപ്പമാണ്.
+
+Randomly മൂന്ന് normal densities generate ചെയ്ത്, അവയുടെ mean-നൊപ്പം label ചേർക്കുന്ന ഒരു example താഴെ കാണാം:
+
+```{code-cell} python3
+from scipy.stats import norm
+from random import uniform
+
+fig, ax = plt.subplots()
+x = np.linspace(-4, 4, 150)
+for i in range(3):
+    m, s = uniform(-1, 1), uniform(1, 2)
+    y = norm.pdf(x, loc=m, scale=s)
+    current_label = rf'$\mu = {m:.2}$'
+    ax.plot(x, y, linewidth=2, alpha=0.6, label=current_label)
+ax.legend()
+plt.show()
+```
+
+### Multiple Subplots
+
+```{index} single: Matplotlib; Subplots
+```
+
+ചിലപ്പോൾ ഒരു figure-ൽ multiple subplots വേണ്ടിവരും.
+
+6 histograms generate ചെയ്യുന്ന ഒരു example താഴെ കാണാം:
+
+```{code-cell} python3
+num_rows, num_cols = 3, 2
+fig, axes = plt.subplots(num_rows, num_cols, figsize=(10, 12))
+for i in range(num_rows):
+    for j in range(num_cols):
+        m, s = uniform(-1, 1), uniform(1, 2)
+        x = norm.rvs(loc=m, scale=s, size=100)
+        axes[i, j].hist(x, alpha=0.6, bins=20)
+        t = rf'$\mu = {m:.2}, \quad \sigma = {s:.2}$'
+        axes[i, j].set(title=t, xticks=[-4, 0, 4], yticks=[])
+plt.show()
+```
+
+### 3D Plots
+
+```{index} single: Matplotlib; 3D Plots
+```
+
+Matplotlib 3D plots വളരെ നന്നായി ചെയ്യുന്നു --- ഒരു example താഴെ കാണാം:
+
+```{code-cell} python3
+from mpl_toolkits.mplot3d.axes3d import Axes3D
+from matplotlib import cm
+
+
+def f(x, y):
+    return np.cos(x**2 + y**2) / (1 + x**2 + y**2)
+
+xgrid = np.linspace(-3, 3, 50)
+ygrid = xgrid
+x, y = np.meshgrid(xgrid, ygrid)
+
+fig = plt.figure(figsize=(10, 6))
+ax = fig.add_subplot(111, projection='3d')
+ax.plot_surface(x,
+                y,
+                f(x, y),
+                rstride=2, cstride=2,
+                cmap=cm.jet,
+                alpha=0.7,
+                linewidth=0.25)
+ax.set_zlim(-0.5, 1.0)
+plt.show()
+```
+
+### A Customizing Function
+
+ഒരുപക്ഷേ നിങ്ങൾ പതിവായി ഉപയോഗിക്കുന്ന ഒരു set of customizations ഉണ്ടാകും.
+
+നമ്മുടെ axes origin-ലൂടെ കടന്നുപോകണമെന്നും, ഒരു grid ഉണ്ടാകണമെന്നും നമ്മൾ സാധാരണയായി prefer ചെയ്യുന്നു എന്ന് കരുതുക.
+
+ഈ മാറ്റങ്ങൾ implement ചെയ്യുന്ന ഒരു custom `subplots` function object-oriented API ഉപയോഗിച്ച് എങ്ങനെ build ചെയ്യാം എന്നതിന് [Matthew Doty](https://github.com/xcthulhu)-യുടെ ഒരു നല്ല example താഴെ കാണാം.
+
+Code ശ്രദ്ധയോടെ വായിച്ച്, എന്താണ് നടക്കുന്നത് എന്ന് നിങ്ങൾക്ക് പിന്തുടരാൻ കഴിയുമോ എന്ന് നോക്കുക:
+
+```{code-cell} python3
+def subplots():
+    "Custom subplots with axes through the origin"
+    fig, ax = plt.subplots()
+
+    # Set the axes through the origin
+    for spine in ['left', 'bottom']:
+        ax.spines[spine].set_position('zero')
+    for spine in ['right', 'top']:
+        ax.spines[spine].set_color('none')
+
+    ax.grid()
+    return fig, ax
+
+
+fig, ax = subplots()  # Call the local version, not plt.subplots()
+x = np.linspace(-2, 10, 200)
+y = np.sin(x)
+ax.plot(x, y, 'r-', linewidth=2, label='sine function', alpha=0.6)
+ax.legend(loc='lower right')
+plt.show()
+```
+
+ഈ custom `subplots` function:
+
+1. `fig, ax` pair generate ചെയ്യാൻ internal ആയി standard `plt.subplots` function-നെ call ചെയ്യുന്നു,
+1. `ax`-ന് വേണ്ട customizations വരുത്തുന്നു, കൂടാതെ
+1. `fig, ax` pair-നെ calling code-ലേക്ക് തിരികെ pass ചെയ്യുന്നു.
+
+### Style Sheets
+
+Matplotlib-ലെ മറ്റൊരു വളരെ useful ആയ feature ആണ് [style sheets](https://matplotlib.org/stable/gallery/style_sheets/style_sheets_reference.html).
+
+Uniform styles ഉള്ള plots create ചെയ്യാൻ നമുക്ക് style sheets ഉപയോഗിക്കാം.
+
+`plt.style.available` എന്ന attribute print ചെയ്ത് ലഭ്യമായ styles-ന്റെ ഒരു list നമുക്ക് കണ്ടെത്താം:
+
+```{code-cell} python3
+print(plt.style.available)
+```
+
+ഇനി style sheet set ചെയ്യാൻ `plt.style.use()` method നമുക്ക് ഉപയോഗിക്കാം.
+
+ഒരു style sheet-ന്റെ name എടുത്ത്, ആ style-ൽ വ്യത്യസ്ത plots വരയ്ക്കുന്ന ഒരു function നമുക്ക് എഴുതാം:
+
+```{code-cell} python3
+
+def draw_graphs(style='default'):
+
+    # Setting a style sheet
+    plt.style.use(style)
+
+    fig, axes = plt.subplots(nrows=1, ncols=4, figsize=(10, 3))
+    x = np.linspace(-13, 13, 150)
+
+    # Set seed values to replicate results of random draws
+    np.random.seed(9)
+
+    for i in range(3):
+
+        # Draw mean and standard deviation from uniform distributions
+        m, s = np.random.uniform(-8, 8), np.random.uniform(2, 2.5)
+
+        # Generate a normal density plot
+        y = norm.pdf(x, loc=m, scale=s)
+        axes[0].plot(x, y, linewidth=3, alpha=0.7)
+
+        # Create a scatter plot with random X and Y values 
+        # from normal distributions
+        rnormX = norm.rvs(loc=m, scale=s, size=150)
+        rnormY = norm.rvs(loc=m, scale=s, size=150)
+        axes[1].plot(rnormX, rnormY, ls='none', marker='o', alpha=0.7)
+
+        # Create a histogram with random X values
+        axes[2].hist(rnormX, alpha=0.7)
+
+        # and a line graph with random Y values
+        axes[3].plot(x, rnormY, linewidth=2, alpha=0.7)
+
+    style_name = style.split('-')[0]
+    plt.suptitle(f'Style: {style_name}', fontsize=13)
+    plt.show()
+
+```
+
+ചില styles എങ്ങനെയിരിക്കുമെന്ന് നമുക്ക് നോക്കാം.
+
+ആദ്യം, `seaborn` എന്ന style sheet ഉപയോഗിച്ച് graphs വരയ്ക്കാം:
+
+```{code-cell} python3
+draw_graphs(style='seaborn-v0_8')
+```
+
+Plots-ലെ colors നീക്കം ചെയ്യാൻ നമുക്ക് `grayscale` ഉപയോഗിക്കാം:
+
+```{code-cell} python3
+draw_graphs(style='grayscale')
+```
+
+`ggplot` എങ്ങനെയിരിക്കുമെന്ന് താഴെ കാണാം:
+
+```{code-cell} python3
+draw_graphs(style='ggplot')
+```
+
+`dark_background` എന്ന style-ഉം നമുക്ക് ഉപയോഗിക്കാം:
+
+```{code-cell} python3
+draw_graphs(style='dark_background')
+```
+
+List-ലുള്ള മറ്റ് styles പരീക്ഷിക്കാൻ ഈ function നിങ്ങൾക്ക് ഉപയോഗിക്കാം.
+
+താൽപ്പര്യമുണ്ടെങ്കിൽ, നിങ്ങൾക്ക് സ്വന്തമായി style sheets തന്നെ create ചെയ്യാം.
+
+നിങ്ങളുടെ style sheets-ന്റെ parameters `plt.rcParams` എന്ന dictionary-like variable-ൽ ആണ് സൂക്ഷിച്ചിരിക്കുന്നത്:
+
+```{code-cell} python3
+---
+tags: [hide-output]
+---
+ 
+print(plt.rcParams.keys())
+
+```
+
+നിങ്ങളുടെ style sheets-ന് വേണ്ടി set ചെയ്യാവുന്ന ധാരാളം parameters ഉണ്ട്.
+
+നിങ്ങളുടെ style sheet-ന്റെ parameters ഇങ്ങനെ set ചെയ്യാം: 
+
+1. നിങ്ങളുടെ സ്വന്തം [`matplotlibrc` file](https://matplotlib.org/stable/users/explain/customizing.html) create ചെയ്ത്, അല്ലെങ്കിൽ
+2. `plt.rcParams` എന്ന dictionary-like variable-ൽ സൂക്ഷിച്ചിരിക്കുന്ന values update ചെയ്ത്.
+
+രണ്ടാമത്തെ method ഉപയോഗിച്ച് overlay ചെയ്ത density lines-ന്റെ style നമുക്ക് മാറ്റാം:
+
+```{code-cell} python3
+from cycler import cycler
+
+# set to the default style sheet
+plt.style.use('default')
+
+# You can update single values using keys:
+
+# Set the font style to italic
+plt.rcParams['font.style'] = 'italic'
+
+# Update linewidth
+plt.rcParams['lines.linewidth'] = 2
+
+
+# You can also update many values at once using the update() method:
+
+parameters = {
+
+    # Change default figure size
+    'figure.figsize': (5, 4),
+
+    # Add horizontal grid lines
+    'axes.grid': True,
+    'axes.grid.axis': 'y',
+
+    # Update colors for density lines
+    'axes.prop_cycle': cycler('color', 
+                            ['dimgray', 'slategrey', 'darkgray'])
+}
+
+plt.rcParams.update(parameters)
+
+
+```
+
+```{note} 
+
+ഈ settings `global` ആണ്. 
+
+`.rcParams`-ലെ parameters മാറ്റിയതിന് ശേഷം generate ചെയ്യുന്ന ഏത് plot-നെയും ഈ setting affect ചെയ്യും.
+
+```
+
+```{code-cell} python3
+fig, ax = plt.subplots()
+x = np.linspace(-4, 4, 150)
+for i in range(3):
+    m, s = uniform(-1, 1), uniform(1, 2)
+    y = norm.pdf(x, loc=m, scale=s)
+    current_label = rf'$\mu = {m:.2}$'
+    ax.plot(x, y, linewidth=2, alpha=0.6, label=current_label)
+ax.legend()
+plt.show()
+```
+
+നിങ്ങളുടെ style-നെ വീണ്ടും default ആക്കി മാറ്റാൻ `default` style sheet ഒരിക്കൽ കൂടി apply ചെയ്യുക:
+
+```{code-cell} python3
+
+plt.style.use('default')
+
+# Reset default figure size
+plt.rcParams['figure.figsize'] = (10, 6)
+
+```
+
+## Further Reading
+
+* [Matplotlib gallery](https://matplotlib.org/stable/gallery/index.html) ധാരാളം examples provide ചെയ്യുന്നു.
+* Nicolas Rougier, Mike Muller, Gael Varoquaux എന്നിവരുടെ ഒരു നല്ല [Matplotlib tutorial](https://scipy-lectures.org/intro/matplotlib/index.html).
+* [mpltools](https://tonysyu.github.io/mpltools/index.html) plot styles-ന് ഇടയിൽ എളുപ്പത്തിൽ switch ചെയ്യാൻ അനുവദിക്കുന്നു.
+* [Seaborn](https://github.com/mwaskom/seaborn) Matplotlib-ൽ common statistics plots-നെ സഹായിക്കുന്നു.
+
+## Exercises
+
+```{exercise-start}
+:label: mpl_ex1
+```
+
+Plot the function
+
+$$
+f(x) = \cos(\pi \theta x) \exp(-x)
+$$
+
+over the interval $[0, 5]$ for each $\theta$ in `np.linspace(0, 2, 10)`.
+
+Place all the curves in the same figure.
+
+The output should look like this
+
+```{image} /_static/lecture_specific/matplotlib/matplotlib_ex1.png
+:scale: 130
+:align: center
+```
+
+```{exercise-end}
+```
+
+```{solution-start} mpl_ex1
+:class: dropdown
+```
+
+Here's one solution
+
+```{code-cell} ipython3
+def f(x, θ):
+    return np.cos(np.pi * θ * x ) * np.exp(- x)
+
+θ_vals = np.linspace(0, 2, 10)
+x = np.linspace(0, 5, 200)
+fig, ax = plt.subplots()
+
+for θ in θ_vals:
+    ax.plot(x, f(x, θ))
+
+plt.show()
+```
+
+```{solution-end}
+```