If you think something should be here, you can open an issue on GitHub.
On this page
\ No newline at end of file
diff --git a/about/index.html b/about/index.html
index 411c0c63..a941ea77 100644
--- a/about/index.html
+++ b/about/index.html
@@ -1,7 +1,10 @@
-NumPy - About UsNumPy - About Us
NumPy is an open source project that enables numerical computing with Python. It was created in 2005 building on the early work of the Numeric and Numarray libraries. NumPy will always be 100% open source software and free for all to use. It is released under the liberal terms of the modified BSD license.
NumPy is developed in the open on GitHub, through the consensus of the NumPy and wider scientific Python community. For more information on our governance approach, please see our Governance Document.
The NumPy Steering Council is the project’s governing body. Its role is to ensure, through working with and serving the broader NumPy community, the long-term sustainability of the project, both as a software package and community. The NumPy Steering Council currently consists of the following members (in alphabetical order, by last name):
NumPy is an open source project that enables numerical computing with Python. It was created in 2005 building on the early work of the Numeric and Numarray libraries. NumPy will always be 100% open source software and free for all to use. It is released under the liberal terms of the modified BSD license.
NumPy is developed in the open on GitHub, through the consensus of the NumPy and wider scientific Python community. For more information on our governance approach, please see our Governance Document.
The NumPy Steering Council is the project’s governing body. Its role is to ensure, through working with and serving the broader NumPy community, the long-term sustainability of the project, both as a software package and community. The NumPy Steering Council currently consists of the following members (in alphabetical order, by last name):
Institutional Partners are organizations that support the project by employing people that contribute to NumPy as part of their job. Current Institutional Partners include:
Array computing is the foundation of statistical, mathematical, scientific computing
+Español
Array Computing
Array Computing
Array computing is the foundation of statistical, mathematical, scientific computing
in various contemporary data science and analytics applications such as data
visualization, digital signal processing, image processing, bioinformatics,
machine learning, AI, and several others.
Large scale data manipulation and transformation depends on efficient,
diff --git a/case-studies/blackhole-image/index.html b/case-studies/blackhole-image/index.html
index 0267f999..ea5780c5 100644
--- a/case-studies/blackhole-image/index.html
+++ b/case-studies/blackhole-image/index.html
@@ -1,8 +1,11 @@
-
NumPy - Case Study: First Image of a Black HoleNumPy - Case Study: First Image of a Black Hole
The Event Horizon telescope (EHT) is an
array of eight ground-based radio telescopes forming a computational telescope
the size of the earth, studying the universe with unprecedented
sensitivity and resolution. The huge virtual telescope, which uses a technique
diff --git a/case-studies/cricket-analytics/index.html b/case-studies/cricket-analytics/index.html
index a0624bd1..0352278b 100644
--- a/case-studies/cricket-analytics/index.html
+++ b/case-studies/cricket-analytics/index.html
@@ -1,8 +1,11 @@
-
NumPy - Case Study: Cricket Analytics, the game changer!NumPy - Case Study: Cricket Analytics, the game changer!
It would be an understatement to state that Indians love cricket. The game is
played in just about every nook and cranny of India, rural or urban, popular
with the young and the old alike, connecting billions in India unlike any other sport.
Cricket enjoys lots of media attention. There is a significant amount of
diff --git a/case-studies/deeplabcut-dnn/index.html b/case-studies/deeplabcut-dnn/index.html
index d0deb171..17fd1495 100644
--- a/case-studies/deeplabcut-dnn/index.html
+++ b/case-studies/deeplabcut-dnn/index.html
@@ -1,8 +1,11 @@
-
NumPy - Case Study: DeepLabCut 3D Pose EstimationNumPy - Case Study: DeepLabCut 3D Pose Estimation
DeepLabCut is an open source toolbox that empowers researchers at hundreds of institutions worldwide to track behaviour of laboratory animals, with very little training data, at human-level accuracy. With DeepLabCut technology, scientists can delve deeper into the scientific understanding of motor control and behavior across animal species and timescales.
Several areas of research, including neuroscience, medicine, and biomechanics, use data from tracking animal movement. DeepLabCut helps in understanding what humans and other animals are doing by parsing actions that have been recorded on film. Using automation for laborious tasks of tagging and monitoring, along with deep neural network based data analysis, DeepLabCut makes scientific studies involving observing animals, such as primates, mice, fish, flies etc., much faster and more accurate.
Colored dots track the positions of a racehorse’s body part# (Source: Mackenzie Mathis)
DeepLabCut’s non-invasive behavioral tracking of animals by extracting the poses of animals is crucial for scientific pursuits in domains such as biomechanics, genetics, ethology & neuroscience. Measuring animal poses non-invasively from video - without markers - in dynamically changing backgrounds is computationally challenging, both technically as well as in terms of resource needs and training data required.
DeepLabCut allows researchers to estimate the pose of the subject, efficiently enabling them to quantify the behavior through a Python based software toolkit. With DeepLabCut, researchers can identify distinct frames from videos, digitally label specific body parts in a few dozen frames with a tailored GUI, and then the deep learning based pose estimation architectures in DeepLabCut learn how to pick out those same features in the rest of the video and in other similar videos of animals. It works across species of animals, from common laboratory animals such as flies and mice to more unusual animals like cheetahs.
DeepLabCut uses a principle called transfer learning, which greatly reduces the amount of training data required and speeds up the convergence of the training period. Depending on the needs, users can pick different network architectures that provide faster inference (e.g. MobileNetV2), which can also be combined with real-time experimental feedback. DeepLabCut originally used the feature detectors from a top-performing human pose estimation architecture, called DeeperCut, which inspired the name. The package now has been significantly changed to include additional architectures, augmentation methods, and a full front-end user experience. Furthermore, to support large-scale biological experiments DeepLabCut provides active learning capabilities so that users can increase the training set over time to cover edge cases and make their pose estimation algorithm robust within the specific context.
Recently, the DeepLabCut model zoo was introduced, which provides pre-trained models for various species and experimental conditions from facial analysis in primates to dog posture. This can be run for instance in the cloud without any labeling of new data, or neural network training, and no programming experience is necessary.
DeepLabCut is an open source toolbox that empowers researchers at hundreds of institutions worldwide to track behaviour of laboratory animals, with very little training data, at human-level accuracy. With DeepLabCut technology, scientists can delve deeper into the scientific understanding of motor control and behavior across animal species and timescales.
Several areas of research, including neuroscience, medicine, and biomechanics, use data from tracking animal movement. DeepLabCut helps in understanding what humans and other animals are doing by parsing actions that have been recorded on film. Using automation for laborious tasks of tagging and monitoring, along with deep neural network based data analysis, DeepLabCut makes scientific studies involving observing animals, such as primates, mice, fish, flies etc., much faster and more accurate.
Colored dots track the positions of a racehorse’s body part# (Source: Mackenzie Mathis)
DeepLabCut’s non-invasive behavioral tracking of animals by extracting the poses of animals is crucial for scientific pursuits in domains such as biomechanics, genetics, ethology & neuroscience. Measuring animal poses non-invasively from video - without markers - in dynamically changing backgrounds is computationally challenging, both technically as well as in terms of resource needs and training data required.
DeepLabCut allows researchers to estimate the pose of the subject, efficiently enabling them to quantify the behavior through a Python based software toolkit. With DeepLabCut, researchers can identify distinct frames from videos, digitally label specific body parts in a few dozen frames with a tailored GUI, and then the deep learning based pose estimation architectures in DeepLabCut learn how to pick out those same features in the rest of the video and in other similar videos of animals. It works across species of animals, from common laboratory animals such as flies and mice to more unusual animals like cheetahs.
DeepLabCut uses a principle called transfer learning, which greatly reduces the amount of training data required and speeds up the convergence of the training period. Depending on the needs, users can pick different network architectures that provide faster inference (e.g. MobileNetV2), which can also be combined with real-time experimental feedback. DeepLabCut originally used the feature detectors from a top-performing human pose estimation architecture, called DeeperCut, which inspired the name. The package now has been significantly changed to include additional architectures, augmentation methods, and a full front-end user experience. Furthermore, to support large-scale biological experiments DeepLabCut provides active learning capabilities so that users can increase the training set over time to cover edge cases and make their pose estimation algorithm robust within the specific context.
Recently, the DeepLabCut model zoo was introduced, which provides pre-trained models for various species and experimental conditions from facial analysis in primates to dog posture. This can be run for instance in the cloud without any labeling of new data, or neural network training, and no programming experience is necessary.
Automation of animal pose analysis for scientific studies:
The primary objective of DeepLabCut technology is to measure and track posture
of animals in a diverse settings. This data can be used, for example, in
neuroscience studies to understand how the brain controls movement, or to
elucidate how animals socially interact. Researchers have observed a
diff --git a/case-studies/gw-discov/index.html b/case-studies/gw-discov/index.html
index 99200852..b5e334d3 100644
--- a/case-studies/gw-discov/index.html
+++ b/case-studies/gw-discov/index.html
@@ -1,8 +1,11 @@
-
NumPy - Case Study: Discovery of Gravitational WavesNumPy - Case Study: Discovery of Gravitational Waves
Gravitational waves are ripples in the fabric of space and time, generated by
cataclysmic events in the universe such as collision and merging of two black
holes or coalescing binary stars or supernovae. Observing GW can not only help
in studying gravity but also in understanding some of the obscure phenomena in
diff --git a/case-studies/index.html b/case-studies/index.html
index 81977474..587b08bb 100644
--- a/case-studies/index.html
+++ b/case-studies/index.html
@@ -1,6 +1,9 @@
-
\ No newline at end of file
diff --git a/case-studies/index.xml b/case-studies/index.xml
index feababce..b551cf09 100644
--- a/case-studies/index.xml
+++ b/case-studies/index.xml
@@ -1,4 +1,4 @@
-Case-Studies on NumPyhttps://numpy.org/case-studies/Recent content in Case-Studies on NumPyHugoenCase Study: Cricket Analytics, the game changer!https://numpy.org/case-studies/cricket-analytics/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/case-studies/cricket-analytics/<figure class="align-default" id="id000">
+Case-Studies on NumPyhttps://numpy.org/case-studies/Recent content in Case-Studies on NumPyHugoen-usCase Study: Cricket Analytics, the game changer!https://numpy.org/case-studies/cricket-analytics/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/case-studies/cricket-analytics/<figure class="align-default" id="id000">
<img src="https://numpy.org/images/content_images/cs/ipl-stadium.png" alt="Indian Premier League Cricket cup and stadium" class="align-center">
diff --git a/citing-numpy/index.html b/citing-numpy/index.html
index 5d963469..1741ea45 100644
--- a/citing-numpy/index.html
+++ b/citing-numpy/index.html
@@ -1,8 +1,11 @@
-NumPy - Citing NumPyNumPy - Citing NumPy
If NumPy has been significant in your research, and you would like to acknowledge the project in your academic publication, we suggest citing the following paper:
Harris, C.R., Millman, K.J., van der Walt, S.J. et al. Array programming with NumPy. Nature 585, 357–362 (2020). DOI: 10.1038/s41586-020-2649-2. (Publisher link).
If NumPy has been significant in your research, and you would like to acknowledge the project in your academic publication, we suggest citing the following paper:
Harris, C.R., Millman, K.J., van der Walt, S.J. et al. Array programming with NumPy. Nature 585, 357–362 (2020). DOI: 10.1038/s41586-020-2649-2. (Publisher link).
In BibTeX format:
@Article{ harris2020array,
title = {Array programming with {NumPy}},
author = {Charles R. Harris and K. Jarrod Millman and St{\'{e}}fan J.
van der Walt and Ralf Gommers and Pauli Virtanen and David
diff --git a/code-of-conduct/index.html b/code-of-conduct/index.html
index f9f827d9..05b317c4 100644
--- a/code-of-conduct/index.html
+++ b/code-of-conduct/index.html
@@ -1,7 +1,10 @@
-NumPy - NumPy Code of ConductNumPy - NumPy Code of Conduct
This Code of Conduct applies to all spaces managed by the NumPy project, including all public and private mailing lists, issue trackers, wikis, blogs, X, and any other communication channel used by our community. The NumPy project does not organise in-person events, however events related to our community should have a code of conduct similar in spirit to this one.
This Code of Conduct should be honored by everyone who participates in the NumPy community formally or informally, or claims any affiliation with the project, in any project-related activities and especially when representing the project, in any role.
This code is not exhaustive or complete. It serves to distill our common understanding of a collaborative, shared environment and goals. Please try to follow this code in spirit as much as in letter, to create a friendly and productive environment that enriches the surrounding community.
Be open. We invite anyone to participate in our community. We prefer to use public methods of communication for project-related messages, unless discussing something sensitive. This applies to messages for help or project-related support, too; not only is a public support request much more likely to result in an answer to a question, it also ensures that any inadvertent mistakes in answering are more easily detected and corrected.
Be empathetic, welcoming, friendly, and patient. We work together to resolve conflict, and assume good intentions. We may all experience some frustration from time to time, but we do not allow frustration to turn into a personal attack. A community where people feel uncomfortable or threatened is not a productive one.
Be collaborative. Our work will be used by other people, and in turn we will depend on the work of others. When we make something for the benefit of the project, we are willing to explain to others how it works, so that they can build on the work to make it even better. Any decision we make will affect users and colleagues, and we take those consequences seriously when making decisions.
Be inquisitive. Nobody knows everything! Asking questions early avoids many problems later, so we encourage questions, although we may direct them to the appropriate forum. We will try hard to be responsive and helpful.
Be careful in the words that we choose. We are careful and respectful in our communication, and we take responsibility for our own speech. Be kind to others. Do not insult or put down other participants. We will not accept harassment or other exclusionary behaviour, such as:
Violent threats or language directed against another person.
Sexist, racist, or otherwise discriminatory jokes and language.
Posting sexually explicit or violent material.
Posting (or threatening to post) other people’s personally identifying information (“doxing”).
Sharing private content, such as emails sent privately or non-publicly, or unlogged forums such as IRC channel history, without the sender’s consent.
Personal insults, especially those using racist or sexist terms.
Unwelcome sexual attention.
Excessive profanity. Please avoid swearwords; people differ greatly in their sensitivity to swearing.
Repeated harassment of others. In general, if someone asks you to stop, then stop.
Advocating for, or encouraging, any of the above behaviour.
The NumPy project welcomes and encourages participation by everyone. We are committed to being a community that everyone enjoys being part of. Although we may not always be able to accommodate each individual’s preferences, we try our best to treat everyone kindly.
No matter how you identify yourself or how others perceive you: we welcome you. Though no list can hope to be comprehensive, we explicitly honour diversity in: age, culture, ethnicity, genotype, gender identity or expression, language, national origin, neurotype, phenotype, political beliefs, profession, race, religion, sexual orientation, socioeconomic status, subculture and technical ability, to the extent that these do not conflict with this code of conduct.
Though we welcome people fluent in all languages, NumPy development is conducted in English.
Standards for behaviour in the NumPy community are detailed in the Code of Conduct above. Participants in our community should uphold these standards in all their interactions and help others to do so as well (see next section).
We know that it is painfully common for internet communication to start at or devolve into obvious and flagrant abuse. We also recognize that sometimes people may have a bad day, or be unaware of some of the guidelines in this Code of Conduct. Please keep this in mind when deciding on how to respond to a breach of this Code.
For clearly intentional breaches, report those to the Code of Conduct Committee (see below). For possibly unintentional breaches, you may reply to the person and point out this code of conduct (either in public or in private, whatever is most appropriate). If you would prefer not to do that, please feel free to report to the Code of Conduct Committee directly, or ask the Committee for advice, in confidence.
If your report involves any members of the Committee, or if they feel they have a conflict of interest in handling it, then they will recuse themselves from considering your report. Alternatively, if for any reason you feel uncomfortable making a report to the Committee, then you can also contact senior NumFOCUS staff at conduct@numfocus.org.
Incident reporting resolution & Code of Conduct enforcement#
We will investigate and respond to all complaints. The NumPy Code of Conduct Committee and the NumPy Steering Committee (if involved) will protect the identity of the reporter, and treat the content of complaints as confidential (unless the reporter agrees otherwise).
In case of severe and obvious breaches, e.g. personal threat or violent, sexist or racist language, we will immediately disconnect the originator from NumPy communication channels; please see the manual for details.
In cases not involving clear severe and obvious breaches of this Code of Conduct the process for acting on any received Code of Conduct violation report will be:
acknowledge report is received,
reasonable discussion/feedback,
mediation (if feedback didn’t help, and only if both reporter and reportee agree to this),
enforcement via transparent decision (see Resolutions) by the Code of Conduct Committee.
The Committee will respond to any report as soon as possible, and at most within 72 hours.
This Code of Conduct applies to all spaces managed by the NumPy project, including all public and private mailing lists, issue trackers, wikis, blogs, X, and any other communication channel used by our community. The NumPy project does not organise in-person events, however events related to our community should have a code of conduct similar in spirit to this one.
This Code of Conduct should be honored by everyone who participates in the NumPy community formally or informally, or claims any affiliation with the project, in any project-related activities and especially when representing the project, in any role.
This code is not exhaustive or complete. It serves to distill our common understanding of a collaborative, shared environment and goals. Please try to follow this code in spirit as much as in letter, to create a friendly and productive environment that enriches the surrounding community.
Be open. We invite anyone to participate in our community. We prefer to use public methods of communication for project-related messages, unless discussing something sensitive. This applies to messages for help or project-related support, too; not only is a public support request much more likely to result in an answer to a question, it also ensures that any inadvertent mistakes in answering are more easily detected and corrected.
Be empathetic, welcoming, friendly, and patient. We work together to resolve conflict, and assume good intentions. We may all experience some frustration from time to time, but we do not allow frustration to turn into a personal attack. A community where people feel uncomfortable or threatened is not a productive one.
Be collaborative. Our work will be used by other people, and in turn we will depend on the work of others. When we make something for the benefit of the project, we are willing to explain to others how it works, so that they can build on the work to make it even better. Any decision we make will affect users and colleagues, and we take those consequences seriously when making decisions.
Be inquisitive. Nobody knows everything! Asking questions early avoids many problems later, so we encourage questions, although we may direct them to the appropriate forum. We will try hard to be responsive and helpful.
Be careful in the words that we choose. We are careful and respectful in our communication, and we take responsibility for our own speech. Be kind to others. Do not insult or put down other participants. We will not accept harassment or other exclusionary behaviour, such as:
Violent threats or language directed against another person.
Sexist, racist, or otherwise discriminatory jokes and language.
Posting sexually explicit or violent material.
Posting (or threatening to post) other people’s personally identifying information (“doxing”).
Sharing private content, such as emails sent privately or non-publicly, or unlogged forums such as IRC channel history, without the sender’s consent.
Personal insults, especially those using racist or sexist terms.
Unwelcome sexual attention.
Excessive profanity. Please avoid swearwords; people differ greatly in their sensitivity to swearing.
Repeated harassment of others. In general, if someone asks you to stop, then stop.
Advocating for, or encouraging, any of the above behaviour.
The NumPy project welcomes and encourages participation by everyone. We are committed to being a community that everyone enjoys being part of. Although we may not always be able to accommodate each individual’s preferences, we try our best to treat everyone kindly.
No matter how you identify yourself or how others perceive you: we welcome you. Though no list can hope to be comprehensive, we explicitly honour diversity in: age, culture, ethnicity, genotype, gender identity or expression, language, national origin, neurotype, phenotype, political beliefs, profession, race, religion, sexual orientation, socioeconomic status, subculture and technical ability, to the extent that these do not conflict with this code of conduct.
Though we welcome people fluent in all languages, NumPy development is conducted in English.
Standards for behaviour in the NumPy community are detailed in the Code of Conduct above. Participants in our community should uphold these standards in all their interactions and help others to do so as well (see next section).
We know that it is painfully common for internet communication to start at or devolve into obvious and flagrant abuse. We also recognize that sometimes people may have a bad day, or be unaware of some of the guidelines in this Code of Conduct. Please keep this in mind when deciding on how to respond to a breach of this Code.
For clearly intentional breaches, report those to the Code of Conduct Committee (see below). For possibly unintentional breaches, you may reply to the person and point out this code of conduct (either in public or in private, whatever is most appropriate). If you would prefer not to do that, please feel free to report to the Code of Conduct Committee directly, or ask the Committee for advice, in confidence.
If your report involves any members of the Committee, or if they feel they have a conflict of interest in handling it, then they will recuse themselves from considering your report. Alternatively, if for any reason you feel uncomfortable making a report to the Committee, then you can also contact senior NumFOCUS staff at conduct@numfocus.org.
Incident reporting resolution & Code of Conduct enforcement#
We will investigate and respond to all complaints. The NumPy Code of Conduct Committee and the NumPy Steering Committee (if involved) will protect the identity of the reporter, and treat the content of complaints as confidential (unless the reporter agrees otherwise).
In case of severe and obvious breaches, e.g. personal threat or violent, sexist or racist language, we will immediately disconnect the originator from NumPy communication channels; please see the manual for details.
In cases not involving clear severe and obvious breaches of this Code of Conduct the process for acting on any received Code of Conduct violation report will be:
acknowledge report is received,
reasonable discussion/feedback,
mediation (if feedback didn’t help, and only if both reporter and reportee agree to this),
enforcement via transparent decision (see Resolutions) by the Code of Conduct Committee.
The Committee will respond to any report as soon as possible, and at most within 72 hours.
\ No newline at end of file
diff --git a/community/index.html b/community/index.html
index e13dcf6d..f09bdba6 100644
--- a/community/index.html
+++ b/community/index.html
@@ -1,8 +1,11 @@
-NumPy - CommunityNumPy - Community
NumPy is a community-driven open source project developed by a diverse group of contributors. The NumPy leadership has made a strong commitment to creating an open, inclusive, and positive community. Please read the NumPy Code of Conduct for guidance on how to interact with others in a way that makes the community thrive.
We offer several communication channels to learn, share your knowledge and connect with others within the NumPy community.
The following are ways to engage directly with the NumPy project and community.
+Español
Community
Community
NumPy is a community-driven open source project developed by a diverse group of contributors. The NumPy leadership has made a strong commitment to creating an open, inclusive, and positive community. Please read the NumPy Code of Conduct for guidance on how to interact with others in a way that makes the community thrive.
We offer several communication channels to learn, share your knowledge and connect with others within the NumPy community.
The following are ways to engage directly with the NumPy project and community.
Please note that we encourage users and community members to support each other
for usage questions - see Get Help.
This list is the main forum for longer-form discussions, like adding new features to NumPy, making changes to the NumPy Roadmap, and all kinds of project-wide decision making.
Announcements about NumPy, such as for releases, developer meetings, sprints or
@@ -21,5 +24,14 @@
bring up their questions or ideas on a large public mailing list or GitHub.
Please see
here for more
-details and how to get an invite.
If you would like to find a local meetup or study group to learn more about NumPy and the wider ecosystem of Python packages for data science and scientific computing, we recommend exploring the PyData meetups (150+ meetups, 100,000+ members).
NumPy also organizes in-person sprints for its team and interested contributors occasionally. These are typically planned several months in advance and will be announced on the mailing list.
The NumPy project doesn’t organize its own conferences. The conferences that have traditionally been most popular with NumPy maintainers, contributors and users are the SciPy and PyData conference series:
SciPy US
EuroSciPy
SciPy Latin America
SciPy India
SciPyData Japan
PyData conferences (15-20 events a year spread over many countries)
Many of these conferences include tutorial days that cover NumPy and/or sprints where you can learn how to contribute to NumPy or related open source projects.
To thrive, the NumPy project needs your expertise and enthusiasm. Not a coder? Not a problem! There are many ways to contribute to NumPy.
If you are interested in becoming a NumPy contributor (yay!) we recommend checking out our Contribute page.
Also, feel free to stop by and say hi at one of our community meetings. To keep track of them, check out our events calendar here.
On this page
\ No newline at end of file
diff --git a/es/arraycomputing/index.html b/es/arraycomputing/index.html
index 85973aee..c84e7e7c 100644
--- a/es/arraycomputing/index.html
+++ b/es/arraycomputing/index.html
@@ -1,7 +1,10 @@
-NumPy - Computación con ArreglosNumPy - Computación con Arreglos
La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.
La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es Python.
Numerical Python o NumPy es la biblioteca estándar de-facto del lenguaje de programación Python que soporta arreglos y matrices multidimensionales de gran tamaño, y viene con una amplia colección de funciones matemáticas de alto nivel para operar sobre estos arreglos.
Tras el lanzamiento de NumPy en 2006, Pandas apareció en el panorama en 2008, y no fue hasta hace un par de años que aparecieron sucesivamente varias bibliotecas de computación con arreglos, poblando este escenario. Muchas de estas nuevas bibliotecas imitan las características y capacidades de NumPy, y contienen nuevos algoritmos y características orientadas a las aplicaciones de aprendizaje automático e inteligencia artificial.
La computación con arreglos está basada en los arreglos como estructura de datos. Los arreglos son utilizados para organizar grandes cantidades de datos de manera que un conjunto de valores relacionados pueda ordenarse, buscarse, manipularse matemáticamente y transformarse con facilidad y rapidez.
La computación con arreglos es única ya que implica operar sobre todos los datos del arreglo al mismo tiempo. Esto significa que cualquier operación de arreglos se aplica a un conjunto completo de valores de una sola vez. Este enfoque vectorial proporciona velocidad y simplicidad, al permitir a los programadores codificar y operar sobre los datos agregados, sin tener que utilizar bucles de instrucciones escalares individuales.
La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.
La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es Python.
Numerical Python o NumPy es la biblioteca estándar de-facto del lenguaje de programación Python que soporta arreglos y matrices multidimensionales de gran tamaño, y viene con una amplia colección de funciones matemáticas de alto nivel para operar sobre estos arreglos.
Tras el lanzamiento de NumPy en 2006, Pandas apareció en el panorama en 2008, y no fue hasta hace un par de años que aparecieron sucesivamente varias bibliotecas de computación con arreglos, poblando este escenario.
+Muchas de estas nuevas bibliotecas imitan las características y capacidades de NumPy, y contienen nuevos algoritmos y características orientadas a las aplicaciones de aprendizaje automático e inteligencia artificial.
La computación con arreglos está basada en los arreglos como estructura de datos. Los arreglos son utilizados para organizar grandes cantidades de datos de manera que un conjunto de valores relacionados pueda ordenarse, buscarse, manipularse matemáticamente y transformarse con facilidad y rapidez.
La computación con arreglos es única ya que implica operar sobre todos los datos del arreglo al mismo tiempo. Esto significa que cualquier operación de arreglos se aplica a un conjunto completo de valores de una sola vez. Este enfoque vectorial proporciona velocidad y simplicidad, al permitir a los programadores codificar y operar sobre los datos agregados, sin tener que utilizar bucles de instrucciones escalares individuales.
On this page
\ No newline at end of file
diff --git a/es/case-studies/blackhole-image/index.html b/es/case-studies/blackhole-image/index.html
index ffdad349..1f2fcf70 100644
--- a/es/case-studies/blackhole-image/index.html
+++ b/es/case-studies/blackhole-image/index.html
@@ -1,8 +1,11 @@
-NumPy - Caso de estudio: La primera imagen de un Agujero NegroNumPy - Caso de estudio: La primera imagen de un Agujero Negro
El Telescopio Event Horizon (EHT) , es un conjunto de ocho radiotelescopios terrestres que forman un telescopio computacional del tamaño de la Tierra, estudiando al universo con una sensibilidad y resolución sin precedente. El enorme telescopio virtual, que utiliza una técnica llamada Interferometría de línea de base muy larga (VLBI), tiene una resolución angular de 20 microsegundos de arco — ¡suficiente para leer un periódico en Nueva York desde un café en la acera en París!
Una nueva vista del universo: El trabajo preliminar de la innovadora imagen de EHT se había establecido 100 años antes, cuando Sir Arthur Eddington dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.
El agujero negro: EHT se entrenó en un enorme agujero negro supermasivo aproximadamente a 55 millones de años luz de la Tierra, situado en el centro de la galaxia Messier 87 (M87) en el cúmulo de galaxias Virgo. Su masa es 6.5 mil millones de veces la del sol. Se había estudiado por más de 100 años, pero nunca antes se había observado un agujero negro.
Comparando las observaciones con la teoría: A partir de la teoría general de la relatividad de Einstein, los científicos esperaban encontrar una región similar a una sombra causada por la flexión gravitacional y la captura de la luz. Los científicos pudieron utilizarla para medir la enorme masa del agujero negro.
EHT plantea enormes desafíos de procesamiento de datos, incluyendo las rápidas fluctuaciones de fase atmosféricas, amplio ancho de banda de grabación, y telescopios que son ampliamente disímiles y geográficamente dispersos.
Demasiada información
Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil.
Hacia lo desconocido
Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?
¿Qué pasa si hay un problema con los datos? O tal vez un algoritmo depende demasiado de una suposición en particular. ¿Cambiará drásticamente la imagen si se cambia un solo parámetro?
La colaboración del EHT respondió a estos desafíos haciendo que los equipos independientes evaluaran los datos, utilizando técnicas de reconstrucción de imágenes ya establecidas y de vanguardia. Cuando los resultados se mostraron consistentes, se combinaron para producir la primera imagen de su tipo de un agujero negro.
Su trabajo ilustra el rol que desempeña el ecosistema científico de Python en el avance de la ciencia a través del análisis de datos colaborativos.
Por ejemplo, el paquete de Python eht-imaging proporciona herramientas para simular y realizar reconstrucción de imágenes en datos VLBI. NumPy está en el núcleo del procesamiento de datos de matrices utilizados en este paquete, como se muestra a continuación en el gráfico parcial de dependencias de software.
Gráfico de dependencias de software del paquete ehtim resaltando a NumPy#
Además de NumPy, muchos otros paquetes, como SciPy y Pandas, son parte del flujo de procesamiento de datos para fotografiar el agujero negro. Los formatos estándar de archivos astronómicos y transformaciones de tiempo/coordenadas fueron manejados por Astropy, mientras que Matplotlib fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.
El eficiente y adaptable arreglo n-dimensional que es la característica central de NumPy, permitió a los investigadores manipular grandes conjuntos de datos numéricos, proporcionando una base para la primera imagen de un agujero negro. Un momento histórico en la ciencia ofrece una impresionante evidencia visual de la teoría de Einstein. Este logro abarca no solo los avances tecnológicos sino también la colaboración internacional de más de 200 científicos y algunos de los mejores radio observatorios del mundo. Algoritmos innovadores y técnicas de procesamiento de datos, mejorando los modelos astronómicos existentes, ayudaron a desvelar un misterio del universo.
El Telescopio Event Horizon (EHT) , es un conjunto de ocho radiotelescopios terrestres que forman un telescopio computacional del tamaño de la Tierra, estudiando al universo con una sensibilidad y resolución sin precedente. El enorme telescopio virtual, que utiliza una técnica llamada Interferometría de línea de base muy larga (VLBI), tiene una resolución angular de 20 microsegundos de arco — ¡suficiente para leer un periódico en Nueva York desde un café en la acera en París!
Una nueva vista del universo: El trabajo preliminar de la innovadora imagen de EHT se había establecido 100 años antes, cuando Sir Arthur Eddington dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.
El agujero negro: EHT se entrenó en un enorme agujero negro supermasivo aproximadamente a 55 millones de años luz de la Tierra, situado en el centro de la galaxia Messier 87 (M87) en el cúmulo de galaxias Virgo. Su masa es 6.5 mil millones de veces la del sol. Se había estudiado por más de 100 años, pero nunca antes se había observado un agujero negro.
Comparando las observaciones con la teoría: A partir de la teoría general de la relatividad de Einstein, los científicos esperaban encontrar una región similar a una sombra causada por la flexión gravitacional y la captura de la luz. Los científicos pudieron utilizarla para medir la enorme masa del agujero negro.
EHT plantea enormes desafíos de procesamiento de datos, incluyendo las rápidas fluctuaciones de fase atmosféricas, amplio ancho de banda de grabación, y telescopios que son ampliamente disímiles y geográficamente dispersos.
Demasiada información
Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil.
Hacia lo desconocido
Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?
¿Qué pasa si hay un problema con los datos? O tal vez un algoritmo depende demasiado de una suposición en particular. ¿Cambiará drásticamente la imagen si se cambia un solo parámetro?
La colaboración del EHT respondió a estos desafíos haciendo que los equipos independientes evaluaran los datos, utilizando técnicas de reconstrucción de imágenes ya establecidas y de vanguardia. Cuando los resultados se mostraron consistentes, se combinaron para producir la primera imagen de su tipo de un agujero negro.
Su trabajo ilustra el rol que desempeña el ecosistema científico de Python en el avance de la ciencia a través del análisis de datos colaborativos.
Por ejemplo, el paquete de Python eht-imaging proporciona herramientas para simular y realizar reconstrucción de imágenes en datos VLBI.
+NumPy está en el núcleo del procesamiento de datos de matrices utilizados en este paquete, como se muestra a continuación en el gráfico parcial de dependencias de software.
Gráfico de dependencias de software del paquete ehtim resaltando a NumPy#
Además de NumPy, muchos otros paquetes, como SciPy y Pandas, son parte del flujo de procesamiento de datos para fotografiar el agujero negro.
+Los formatos estándar de archivos astronómicos y transformaciones de tiempo/coordenadas fueron manejados por Astropy, mientras que Matplotlib fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.
El eficiente y adaptable arreglo n-dimensional que es la característica central de NumPy, permitió a los investigadores manipular grandes conjuntos de datos numéricos, proporcionando una base para la primera imagen de un agujero negro. Un momento histórico en la ciencia ofrece una impresionante evidencia visual de la teoría de Einstein. Este logro abarca no solo los avances tecnológicos sino también la colaboración internacional de más de 200 científicos y algunos de los mejores radio observatorios del mundo. Algoritmos innovadores y técnicas de procesamiento de datos, mejorando los modelos astronómicos existentes, ayudaron a desvelar un misterio del universo.
\ No newline at end of file
diff --git a/es/case-studies/cricket-analytics/index.html b/es/case-studies/cricket-analytics/index.html
index 7c768fd7..ff12fe48 100644
--- a/es/case-studies/cricket-analytics/index.html
+++ b/es/case-studies/cricket-analytics/index.html
@@ -1,8 +1,11 @@
-NumPy - Estudio de caso: Análisis de críquet, ¡el cambio radical!NumPy - Estudio de caso: Análisis de críquet, ¡el cambio radical!
Sería una subestimación decir que a los indios les encanta el críquet. El juego se juega en casi todos los rincones de la India, rurales o urbanos, es popular entre los jóvenes y ancianos por igual, conectando miles de millones de personas en India como ningún otro deporte. El críquet disfruta de una gran atención mediática. Hay una cantidad importante de dinero y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos, acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.
La Indian Premier League (IPL) es una liga profesional de críquet Twenty20, fundada en 2008. Es uno de los eventos de críquet más concurridos en el mundo, valorado en $6.7 mil millones de dólares en 2019.
El críquet es un juego de números - las carreras anotadas por un bateador, los wickets tomados por un lanzador, los partidos ganados por un equipo de críquet, el número de veces que un bateador responde de cierta manera a un tipo de ataque de lanzamiento, etc. La capacidad de profundizar en los números del críquet tanto para mejorar el rendimiento como para estudiar las oportunidades de negocio, el mercado en general y la economía del cricket mediante potentes herramientas de análisis, impulsadas por software de computación numérica como NumPy, es algo muy importante. El análisis del críquet proporciona ideas interesantes sobre el juego e inteligencia predictiva respecto a los resultados del juego.
Hoy en día, hay abundantes y casi infinitos tesoros de registros y estadísticas de juegos de críquet disponibles, por ejemplo, en ESPN cricinfo y cricsheet. Estas y muchas otras bases de datos de cricket se han utilizado para el análisis de cricket utilizando los últimos algoritmos de aprendizaje automático y modelación predictiva. Las plataformas de medios y entretenimiento, junto con los organismos deportivos profesionales asociados con el juego, utilizan la tecnología y el análisis para determinar métricas clave que mejoren las posibilidades de ganar los partidos:
promedio móvil del rendimiento de bateo,
previsión del marcador,
obtener información sobre la condición física y el rendimiento de un jugador contra diferentes oponentes,
contribución del jugador a las victorias y derrotas para tomar decisiones estratégicas sobre la composición del equipo
El análisis de datos deportivos se utiliza no solo en el críquet, sino en muchos otros deportes para mejorar el rendimiento general del equipo y maximizar las posibilidades de ganar.
El análisis de datos en tiempo real puede ayudar a obtener información incluso durante el juego para cambiar tácticas por parte del equipo y de las empresas asociadas para beneficios económicos y crecimiento.
Además del análisis histórico, se aprovechan los modelos predictivos para determinar los posibles resultados de los partidos, lo cual requiere una cantidad significativa de procesamiento de datos y conocimientos de ciencia de datos, herramientas de visualización y la capacidad de incluir nuevas observaciones en el análisis.
La IPL ha expandido el críquet más allá del clásico formato de partido de prueba a una escala mucho más grande. El número de partidos jugados cada temporada a través de varios formatos ha incrementado y así también los datos, los algoritmos, las nuevas tecnologías de análisis de datos deportivos y modelos de simulación. El análisis de datos de críquet requiere mapeo del campo, seguimiento de jugadores, seguimiento de la pelota, análisis de tiros de los jugadores y varios otros aspectos relacionados con cómo se lanza la pelota, su ángulo, giro, velocidad y trayectoria. Todos estos factores juntos han incrementado la complejidad de la limpieza de datos y el preprocesamiento.
Modelación Dinámica
En el cricket, al igual que en cualquier otro deporte, puede haber una gran cantidad de variables relacionadas con el seguimiento de varios jugadores en el campo, sus atributos, la pelota y varias posibilidades de acciones potenciales. La complejidad del análisis de datos y la modelación es directamente proporcional al tipo de preguntas predictivas que se plantean durante el análisis y depende en gran medida de la representación de los datos y del modelo. Las cosas se vuelven aún más desafiantes en términos de cálculo y comparación de datos cuando se buscan predicciones dinámicas del juego de críquet, tal como habría sucedido si el bateador hubiera golpeado la bola a un ángulo o velocidad diferente.
Complejidad de Análisis Predictivo
Gran parte de la toma de decisiones en el críquet se basa en preguntas como “¿con qué frecuencia un bateador juega un cierto tipo de golpe si la entrega de la pelota es de un tipo particular?” o “¿cómo cambia un lanzador su línea y longitud si el bateador responde a su entrega de una cierta manera?”. Este tipo de consulta de análisis predictivo requiere una disponibilidad de un conjunto de datos altamente granular y la capacidad de sintetizar datos y crear modelos generativos que sean altamente precisos.
El análisis deportivo es un campo en desarrollo. Muchos investigadores y compañías utilizan NumPy y otros paquetes de PyData como Scikit-learn, SciPy, Matplotlib y Jupyter, además de utilizar las últimas técnicas de aprendizaje automático e inteligencia artificial. NumPy se ha utilizado para varios tipos de análisis deportivos relacionados con el críquet tales como:
Análisis Estadístico: Las capacidades numéricas de NumPy ayudan a estimar la significancia estadística de los datos observacionales o de eventos de partidos en el contexto de varias tácticas de jugadores y de juego, estimando el resultado del juego mediante la comparación con un modelo generativo o estático. El análisis causal y los enfoques de big data se utilizan para el análisis táctico.
Visualización de Datos: La creación de gráficos y la visualización de datos proporcionan información útil sobre la relación entre varios conjuntos de datos.
El análisis deportivo ha revolucionado la forma en que se juegan los partidos profesionales, especialmente en cuanto a la toma de decisiones estratégicas, que hasta hace poco se basaba principalmente en la “intuición” o en la adherencia a tradiciones pasadas. NumPy constituye una base sólida para un gran conjunto de paquetes de Python que brindan funciones de nivel superior relacionadas con análisis de datos, el aprendizaje automático y los algoritmos de IA. Estos paquetes están ampliamente desplegados para obtener información en tiempo real que ayudan en la toma de decisiones para resultados revolucionarios, tanto en el campo como para sacar conclusiones y hacer negocios alrededor del juego del críquet. Encontrar los parámetros ocultos, patrones y atributos que conducen al resultado de un partido de críquet ayuda a los interesados a tomar nota de la información del juego que de otra forma estarían ocultos en números y estadísticas.
Sería una subestimación decir que a los indios les encanta el críquet. El juego se juega en casi todos los rincones de la India, rurales o urbanos, es popular entre los jóvenes y ancianos por igual, conectando miles de millones de personas en India como ningún otro deporte.
+El críquet disfruta de una gran atención mediática. Hay una cantidad importante de dinero y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos,
+acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.
La Indian Premier League (IPL) es una liga profesional de críquet Twenty20, fundada en 2008. Es uno de los eventos de críquet más concurridos en el mundo, valorado en $6.7 mil millones de dólares en 2019.
El críquet es un juego de números - las carreras anotadas por un bateador, los wickets tomados por un lanzador, los partidos ganados por un equipo de críquet, el número de veces que un bateador responde de cierta manera a un tipo de ataque de lanzamiento, etc. La capacidad de profundizar en los números del críquet tanto para mejorar el rendimiento como para estudiar las oportunidades de negocio, el mercado en general y la economía del cricket mediante potentes herramientas de análisis, impulsadas por software de computación numérica como NumPy, es algo muy importante. El análisis del críquet proporciona ideas interesantes sobre el juego e inteligencia predictiva respecto a los resultados del juego.
Hoy en día, hay abundantes y casi infinitos tesoros de registros y estadísticas de juegos de críquet disponibles, por ejemplo, en ESPN cricinfo y cricsheet. Estas y muchas otras bases de datos de cricket se han utilizado para el análisis de cricket utilizando los últimos algoritmos de aprendizaje automático y modelación predictiva.
+Las plataformas de medios y entretenimiento, junto con los organismos deportivos profesionales asociados con el juego, utilizan la tecnología y el análisis para determinar métricas clave que mejoren las posibilidades de ganar los partidos:
promedio móvil del rendimiento de bateo,
previsión del marcador,
obtener información sobre la condición física y el rendimiento de un jugador contra diferentes oponentes,
contribución del jugador a las victorias y derrotas para tomar decisiones estratégicas sobre la composición del equipo
El análisis de datos deportivos se utiliza no solo en el críquet, sino en muchos otros deportes para mejorar el rendimiento general del equipo y maximizar las posibilidades de ganar.
El análisis de datos en tiempo real puede ayudar a obtener información incluso durante el juego para cambiar tácticas por parte del equipo y de las empresas asociadas para beneficios económicos y crecimiento.
Además del análisis histórico, se aprovechan los modelos predictivos para determinar los posibles resultados de los partidos, lo cual requiere una cantidad significativa de procesamiento de datos y conocimientos de ciencia de datos, herramientas de visualización y la capacidad de incluir nuevas observaciones en el análisis.
La IPL ha expandido el críquet más allá del clásico formato de partido de prueba a una escala mucho más grande. El número de partidos jugados cada temporada a través de varios formatos ha incrementado y así también los datos, los algoritmos, las nuevas tecnologías de análisis de datos deportivos y modelos de simulación. El análisis de datos de críquet requiere mapeo del campo, seguimiento de jugadores, seguimiento de la pelota, análisis de tiros de los jugadores y varios otros aspectos relacionados con cómo se lanza la pelota, su ángulo, giro, velocidad y trayectoria. Todos estos factores juntos han incrementado la complejidad de la limpieza de datos y el preprocesamiento.
Modelación Dinámica
En el cricket, al igual que en cualquier otro deporte, puede haber una gran cantidad de variables relacionadas con el seguimiento de varios jugadores en el campo, sus atributos, la pelota y varias posibilidades de acciones potenciales. La complejidad del análisis de datos y la modelación es directamente proporcional al tipo de preguntas predictivas que se plantean durante el análisis y depende en gran medida de la representación de los datos y del modelo. Las cosas se vuelven aún más desafiantes en términos de cálculo y comparación de datos cuando se buscan predicciones dinámicas del juego de críquet, tal como habría sucedido si el bateador hubiera golpeado la bola a un ángulo o velocidad diferente.
Complejidad de Análisis Predictivo
Gran parte de la toma de decisiones en el críquet se basa en preguntas como “¿con qué frecuencia un bateador juega un cierto tipo de golpe si la entrega de la pelota es de un tipo particular?” o “¿cómo cambia un lanzador su línea y longitud si el bateador responde a su entrega de una cierta manera?”.
+Este tipo de consulta de análisis predictivo requiere una disponibilidad de un conjunto de datos altamente granular y la capacidad de sintetizar datos y crear modelos generativos que sean altamente precisos.
El análisis deportivo es un campo en desarrollo. Muchos investigadores y compañías utilizan NumPy y otros paquetes de PyData como Scikit-learn, SciPy, Matplotlib y Jupyter, además de utilizar las últimas técnicas de aprendizaje automático e inteligencia artificial. NumPy se ha utilizado para varios tipos de análisis deportivos relacionados con el críquet tales como:
Análisis Estadístico: Las capacidades numéricas de NumPy ayudan a estimar la significancia estadística de los datos observacionales o de eventos de partidos en el contexto de varias tácticas de jugadores y de juego, estimando el resultado del juego mediante la comparación con un modelo generativo o estático.
+El análisis causal y los enfoques de big data se utilizan para el análisis táctico.
Visualización de Datos: La creación de gráficos y la visualización de datos proporcionan información útil sobre la relación entre varios conjuntos de datos.
El análisis deportivo ha revolucionado la forma en que se juegan los partidos profesionales, especialmente en cuanto a la toma de decisiones estratégicas, que hasta hace poco se basaba principalmente en la “intuición” o en la adherencia a tradiciones pasadas. NumPy
+constituye una base sólida para un gran conjunto de paquetes de Python que brindan funciones de nivel superior relacionadas con análisis de datos, el aprendizaje automático y los algoritmos de IA.
+Estos paquetes están ampliamente desplegados para obtener información en tiempo real que ayudan en la toma de decisiones para resultados revolucionarios, tanto en el campo como para sacar conclusiones y hacer negocios alrededor del juego del críquet. Encontrar los parámetros ocultos, patrones y atributos que conducen al resultado de un partido de críquet ayuda a los interesados a tomar nota de la información del juego que de otra forma estarían ocultos en números y estadísticas.
\ No newline at end of file
diff --git a/es/case-studies/deeplabcut-dnn/index.html b/es/case-studies/deeplabcut-dnn/index.html
index 94665934..b1945a33 100644
--- a/es/case-studies/deeplabcut-dnn/index.html
+++ b/es/case-studies/deeplabcut-dnn/index.html
@@ -1,8 +1,11 @@
-NumPy - Caso de estudio: DeepLabCut Estimación de Postura 3DNumPy - Caso de estudio: DeepLabCut Estimación de Postura 3D
El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
—Alexander Mathis, Profesor Asistente, Escuela Politécnica Federal de Lausana (EPFL)
DeepLabCut es una caja de herramientas de código abierto que permite a los investigadores de cientos de instituciones de todo el mundo rastrear el comportamiento de animales de laboratorio, con muy pocos datos de entrenamiento, con una precisión de nivel humana. Con la tecnología DeepLabCut, los científicos pueden profundizar en la comprensión científica del control motriz y el comportamiento a través de especies animales y escalas temporales.
Muchas áreas de investigación, incluyendo la neurociencia, la medicina y la biomecánica, utilizan datos para rastrear el movimiento animal. DeepLabCut ayuda a entender lo que los humanos y otros animales están haciendo, analizando las acciones que han sido grabadas en la filmación. Utilizando la automatización para tareas laboriosas de etiquetado y monitoreo, junto con el análisis de datos basado en redes neuronales profundas, DeepLabCut realiza estudios científicos que involucran la observación de animales, tales como primates, ratones, peces, moscas, etc. de manera mucho más rápida y precisa.
Puntos de colores rastrean las posiciones de una parte del cuerpo de un caballo de carreras# (Fuente: Mackenzie Mathis)
El rastreo del comportamiento no invasivo de animales de DeepLabCut por medio de la extracción de posturas de animales es crucial para propósitos científicos en dominios tales como la biomecánica, genética, etología y & neurociencia. Medir las poses de animales de manera no invasiva a partir de video - sin marcadores - en fondos que cambian dinámicamente es un desafío computacional, tanto técnicamente como en términos de necesidades de recursos y datos de entrenamiento requeridos.
DeepLabCut permite a los investigadores estimar la postura del sujeto, permitiéndoles eficientemente cuantificar el comportamiento a través de una caja de herramientas de software basada en Python. Con DeepLabCut, los investigadores pueden identificar fotogramas distintos de videos, etiquetar digitalmente partes específicas del cuerpo en unas pocas docenas de fotogramas con una GUI personalizada, y luego las arquitecturas de estimación de posturas basadas en aprendizaje profundo en DeepLabCut aprenden a identificar esas mismas características en el resto del video y en otros videos similares de animales. Funciona en diferentes especies de animales, desde los animales de laboratorio comunes como moscas y ratones hasta animales más inusuales como los guepardos.
DeepLabCut utiliza un principio llamado aprendizaje por transferencia, que reduce considerablemente la cantidad de datos de entrenamiento requeridos y acelera la convergencia del período de entrenamiento. Dependiendo de las necesidades, los usuarios pueden seleccionar diferentes arquitecturas de red que proporcionan una inferencia más rápida (por ejemplo MobileNetV2), que también pueden combinarse con retroalimentación experimental en tiempo real. DeepLabCut utilizó originalmente los detectores de características de una arquitectura de estimación de postura humana de alto rendimiento, llamada DeeperCut, que inspiró el nombre. El paquete ahora ha sido significativamente modificado para incluir arquitecturas adicionales, métodos de aumento y una experiencia de usuario completa en el front-end. Además, para apoyar los experimentos biológicos a gran escala, DeepLabCut proporciona capacidades de aprendizaje activo para que los usuarios puedan aumentar el conjunto de entrenamiento a lo largo del tiempo para cubrir casos límite y hacer que su algoritmo de estimación de postura sea robusto dentro de un contexto específico.
Recientemente, se presentó el modelo zoo de DeepLabCut, que proporciona modelos pre-entrenados para varias especies y condiciones experimentales, desde el análisis facial en primates hasta la postura de perro. Esto se puede ejecutar, por ejemplo, en la nube sin ningún etiquetado de datos nuevos o entrenamiento de redes neuronales, y no es necesaria ninguna experiencia de programación.
Automatización del análisis de la postura animal para estudios científicos:
El objetivo principal de la tecnología DeepLabCut es medir y rastrear la postura de los animales en diversos entornos. Estos datos se pueden utilizar, por ejemplo, en estudios de neurociencia para entender cómo el cerebro controla el movimiento, o para aclarar como interactúan socialmente los animales. Los investigadores han observado un aumento de rendimiento diez veces mayor con DeepLabCut. Las posturas se pueden inferir sin conexión hasta a 1200 fotogramas por segundo (FPS).
Creación de un conjunto de herramientas de Python de fácil uso para la estimación de postura:
DeepLabCut quería compartir su tecnología de estimación de postura animal en la forma de una herramienta de fácil uso que pueda ser adoptada fácilmente por los investigadores. Así que han creado un conjunto de herramientas de Python completo y de fácil uso, también con características de administración de proyectos. Estas permiten no solo la automatización de la estimación de postura, sino también administrar el proyecto de punta a punta ayudando al usuario del conjunto de herramientas de DeepLabCut desde la etapa de recolección del conjunto de datos para crear flujos de trabajo de análisis compartibles y reutilizables.
Procesamiento rápido de videos de comportamiento animal para medir su comportamiento y al mismo tiempo hacer experimentos científicos más eficientes y precisos. La extracción detallada de posturas del animal para experimentos de laboratorio, sin marcadores, en entornos dinámicamente cambiantes, puede ser un desafío tanto técnico como en términos de recursos necesarios y datos de entrenamiento requeridos. Proponer una herramienta que sea fácil de usar sin necesidad de habilidades como experiencia en visión por computador que permita a los científicos hacer investigaciones en más contextos del mundo real, es un problema que no es trivial de resolver.
Combinatoria
La combinatoria involucra el armado e integración del movimiento de múltiples extremidades en el comportamiento animal individual. Ensamblar puntos clave y sus conexiones en movimientos individuales de animales y vincularlos a lo largo del tiempo es un proceso complejo que requiere un análisis numérico intensivo, especialmente en el caso del seguimiento de movimientos de múltiples animales en videos de experimentos.
Procesamiento de Datos
Por último, pero no menos importante, la manipulación de arreglos - procesamiento de grandes pilas de arreglos correspondientes a varias imágenes, tensores objetivo y puntos clave es bastante desafiante.
El Papel de NumPy para afrontar los desafíos de la estimación de postura#
NumPy aborda la necesidad central de la tecnología de DeepLabCut de realizar cálculos numéricos a alta velocidad para el análisis del comportamiento. Además de NumPy, DeepLabCut emplea varios softwares de Python que utilizan NumPy en su núcleo, como SciPy, Pandas, matplotlib, Tensorpack, imgaug, scikit-learn, scikit-image y Tensorflow.
Las siguientes características de NumPy jugaron un papel clave en abordar el procesamiento de imágenes, los requisitos de combinatoria y la necesidad de cálculos rápidos en los algoritmos de estimación de posturas de DeepLabCut:
Vectorización
Operaciones con Arreglos Enmascarados
Álgebra lineal
Muestreo Aleatorio
Redimensionamiento de arreglos grandes
DeepLabCut utiliza las capacidades de arreglos de NumPy a lo largo del flujo de trabajo ofrecido por el conjunto de herramientas. En particular, NumPy se utiliza para muestrear diferentes fotogramas para etiquetado de anotaciones humanas, y para escribir, editar y procesar datos de anotación. Dentro de TensorFlow, la red neuronal es entrenada por la tecnología DeepLabCut durante miles de iteraciones para predecir las anotaciones de referencia a partir de fotogramas. Para este propósito, se crean densidades objetivo (mapas de puntuación) para plantear la estimación de poses como un problema de traducción de imagen a imagen. Para hacer que las redes neuronales sean robustas, se emplea el aumento de datos, lo que requiere el cálculo de mapas de puntuación objetivo sujetos a varios pasos geométricos y de procesamiento de imágenes. Para hacer que el entrenamiento sea rápido, se aprovechan las capacidades de vectorización de NumPy. Para la inferencia, es necesario extraer las predicciones más probables de los mapas de puntuación objetivo y “vincular eficientemente las predicciones para ensamblar animales individuales”.
Observar y describir eficientemente el comportamiento es un punto central de la etología moderna, neurociencia, medicina y tecnología. DeepLabCut permite a los investigadores estimar la postura del sujeto, permitiéndoles de manera eficiente cuantificar el comportamiento. Con solo un pequeño conjunto de imágenes de entrenamiento, el conjunto de herramientas de Python de DeepLabCut permite entrenar una red neuronal con una precisión de etiquetado a nivel humano, expandiendo así su aplicación no solo al análisis del comportamiento en el laboratorio, sino también potencialmente en deportes, análisis de marcha, medicina y estudios de rehabilitación. Los desafíos de la combinatoria compleja y procesamiento de datos enfrentados por los algoritmos de DeepLabCut se abordan mediante el uso de las capacidades de manipulación de arreglos de NumPy.
El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
—Alexander Mathis, Profesor Asistente, Escuela Politécnica Federal de Lausana (EPFL)
DeepLabCut es una caja de herramientas de código abierto que permite a los investigadores de cientos de instituciones de todo el mundo rastrear el comportamiento de animales de laboratorio, con muy pocos datos de entrenamiento, con una precisión de nivel humana. Con la tecnología DeepLabCut, los científicos pueden profundizar en la comprensión científica del control motriz y el comportamiento a través de especies animales y escalas temporales.
Muchas áreas de investigación, incluyendo la neurociencia, la medicina y la biomecánica, utilizan datos para rastrear el movimiento animal. DeepLabCut ayuda a entender lo que los humanos y otros animales están haciendo, analizando las acciones que han sido grabadas en la filmación. Utilizando la automatización para tareas laboriosas de etiquetado y monitoreo, junto con el análisis de datos basado en redes neuronales profundas, DeepLabCut realiza estudios científicos que involucran la observación de animales, tales como primates, ratones, peces, moscas, etc. de manera mucho más rápida y precisa.
Puntos de colores rastrean las posiciones de una parte del cuerpo de un caballo de carreras# (Fuente: Mackenzie Mathis)
El rastreo del comportamiento no invasivo de animales de DeepLabCut por medio de la extracción de posturas de animales es crucial para propósitos científicos en dominios tales como la biomecánica, genética, etología y & neurociencia. Medir las poses de animales de manera no invasiva a partir de video - sin marcadores - en fondos que cambian dinámicamente es un desafío computacional, tanto técnicamente como en términos de necesidades de recursos y datos de entrenamiento requeridos.
DeepLabCut permite a los investigadores estimar la postura del sujeto, permitiéndoles eficientemente cuantificar el comportamiento a través de una caja de herramientas de software basada en Python. Con DeepLabCut, los investigadores pueden identificar fotogramas distintos de videos, etiquetar digitalmente partes específicas del cuerpo en unas pocas docenas de fotogramas con una GUI personalizada, y luego las arquitecturas de estimación de posturas basadas en aprendizaje profundo en DeepLabCut aprenden a identificar esas mismas características en el resto del video y en otros videos similares de animales. Funciona en diferentes especies de animales, desde los animales de laboratorio comunes como moscas y ratones hasta animales más inusuales como los guepardos.
DeepLabCut utiliza un principio llamado aprendizaje por transferencia, que reduce considerablemente la cantidad de datos de entrenamiento requeridos y acelera la convergencia del período de entrenamiento. Dependiendo de las necesidades, los usuarios pueden seleccionar diferentes arquitecturas de red que proporcionan una inferencia más rápida (por ejemplo MobileNetV2), que también pueden combinarse con retroalimentación experimental en tiempo real. Dependiendo de las necesidades, los usuarios pueden seleccionar diferentes arquitecturas de red que proporcionan una inferencia más rápida (por ejemplo MobileNetV2), que también pueden combinarse con retroalimentación experimental en tiempo real. El paquete ahora ha sido significativamente modificado para incluir arquitecturas adicionales, métodos de aumento y una experiencia de usuario completa en el front-end. Además, para apoyar los experimentos biológicos a gran escala, DeepLabCut proporciona capacidades de aprendizaje activo para que los usuarios puedan aumentar el conjunto de entrenamiento a lo largo del tiempo para cubrir casos límite y hacer que su algoritmo de estimación de postura sea robusto dentro de un contexto específico.
Recientemente, se presentó el modelo zoo de DeepLabCut que proporciona modelos pre-entrenados para varias especies y condiciones experimentales, desde análisis facial en primates hasta posturas en caninos. Esto se puede ejecutar, por ejemplo, en la nube sin ningún etiquetado de datos nuevos o entrenamiento de redes neuronales, y no es necesaria ninguna experiencia de programación.
Automatización del análisis de la postura animal para estudios científicos:
El objetivo principal de la tecnología DeepLabCut es medir y rastrear la postura de los animales en diversos entornos. Estos datos se pueden utilizar, por ejemplo, en estudios de neurociencia para entender cómo el cerebro controla el movimiento, o para aclarar como interactúan socialmente los animales. Los investigadores han observado un aumento de rendimiento diez veces mayor con DeepLabCut. Las posturas se pueden inferir sin conexión hasta a 1200 fotogramas por segundo (FPS).
Creación de un conjunto de herramientas de Python de fácil uso para la estimación de postura:
DeepLabCut quería compartir su tecnología de estimación de postura animal en la forma de una herramienta de fácil uso que pueda ser adoptada fácilmente por los investigadores. Así que han creado un conjunto de herramientas de Python completo y de fácil uso, también con características de administración de proyectos. Estas permiten no solo la automatización de la estimación de postura, sino también administrar el proyecto de punta a punta ayudando al usuario del conjunto de herramientas de DeepLabCut desde la etapa de recolección del conjunto de datos para crear flujos de trabajo de análisis compartibles y reutilizables.
Procesamiento rápido de videos de comportamiento animal para medir su comportamiento y al mismo tiempo hacer experimentos científicos más eficientes y precisos.
+La extracción detallada de posturas del animal para experimentos de laboratorio, sin marcadores, en entornos dinámicamente cambiantes, puede ser un desafío tanto técnico como en términos de recursos necesarios y datos de entrenamiento requeridos.
+Proponer una herramienta que sea fácil de usar sin necesidad de habilidades como experiencia en visión por computador que permita a los científicos hacer investigaciones en más contextos del mundo real, es un problema que no es trivial de resolver.
Combinatoria
La combinatoria involucra el armado e integración del movimiento de múltiples extremidades en el comportamiento animal individual. Ensamblar puntos clave y sus conexiones en movimientos individuales de animales y vincularlos a lo largo del tiempo es un proceso complejo que requiere un análisis numérico intensivo, especialmente en el caso del seguimiento de movimientos de múltiples animales en videos de experimentos.
Procesamiento de Datos
Por último, pero no menos importante, la manipulación de arreglos - procesamiento de grandes pilas de arreglos correspondientes a varias imágenes, tensores objetivo y puntos clave es bastante desafiante.
El Papel de NumPy para afrontar los desafíos de la estimación de postura#
NumPy aborda la necesidad central de la tecnología de DeepLabCut de realizar cálculos numéricos a alta velocidad para el análisis del comportamiento. Además de NumPy, DeepLabCut emplea varios softwares de Python que utilizan NumPy en su núcleo, como SciPy, Pandas, matplotlib, Tensorpack, imgaug, scikit-learn, scikit-image y Tensorflow.
Las siguientes características de NumPy jugaron un papel clave en abordar el procesamiento de imágenes, los requisitos de combinatoria y la necesidad de cálculos rápidos en los algoritmos de estimación de posturas de DeepLabCut:
Vectorización
Operaciones con Arreglos Enmascarados
Álgebra lineal
Muestreo Aleatorio
Redimensionamiento de arreglos grandes
DeepLabCut utiliza las capacidades de arreglos de NumPy a lo largo del flujo de trabajo ofrecido por el conjunto de herramientas. En particular, NumPy se utiliza para muestrear diferentes fotogramas para etiquetado de anotaciones humanas, y para escribir, editar y procesar datos de anotación. Dentro de TensorFlow, la red neuronal es entrenada por la tecnología DeepLabCut durante miles de iteraciones para predecir las anotaciones de referencia a partir de fotogramas. Para este propósito, se crean densidades objetivo (mapas de puntuación) para plantear la estimación de poses como un problema de traducción de imagen a imagen. Para hacer que las redes neuronales sean robustas, se emplea el aumento de datos, lo que requiere el cálculo de mapas de puntuación objetivo sujetos a varios pasos geométricos y de procesamiento de imágenes. Para hacer que el entrenamiento sea rápido, se aprovechan las capacidades de vectorización de NumPy. Para la inferencia, es necesario extraer las predicciones más probables de los mapas de puntuación objetivo y “vincular eficientemente las predicciones para ensamblar animales individuales”.
Observar y describir eficientemente el comportamiento es un punto central de la etología moderna, neurociencia, medicina y tecnología.
+Observar y describir eficientemente el comportamiento es un punto central de la etología moderna, neurociencia, medicina y tecnología. Con solo un pequeño conjunto de imágenes de entrenamiento, el conjunto de herramientas de Python de DeepLabCut permite entrenar una red neuronal con una precisión de etiquetado a nivel humano, expandiendo así su aplicación no solo al análisis del comportamiento en el laboratorio, sino también potencialmente en deportes, análisis de marcha, medicina y estudios de rehabilitación. Los desafíos de la combinatoria compleja y procesamiento de datos enfrentados por los algoritmos de DeepLabCut se abordan mediante el uso de las capacidades de manipulación de arreglos de NumPy.
\ No newline at end of file
diff --git a/es/case-studies/gw-discov/index.html b/es/case-studies/gw-discov/index.html
index af4fb916..20c5792f 100644
--- a/es/case-studies/gw-discov/index.html
+++ b/es/case-studies/gw-discov/index.html
@@ -1,8 +1,11 @@
-NumPy - Estudio de Caso: Descubrimiento de Ondas GravitacionalesNumPy - Estudio de Caso: Descubrimiento de Ondas Gravitacionales
Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por cataclismos en el universo, tales como la colisión y fusión de dos agujeros negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.
El Observatorio de Ondas Gravitacionales por Interferometría Láser (LIGO) fue diseñado para abrir el campo de la astrofísica de ondas gravitacionales mediante la detección directa de las ondas gravitacionales predichas por la Teoría General de la Relatividad de Einstein. Comprende dos interferómetros ampliamente separados dentro de los Estados Unidos: uno en Hanford, Washington, y el otro en Livingston, Louisiana, operando al unísono para detectar ondas gravitacionales. Cada uno de ellos tiene detectores de ondas gravitacionales de escala de múltiples kilómetros que utilizan interferometría de láser. La Colaboración Científica de LIGO (LSC) es un grupo de más de 1000 científicos de universidades de los Estados Unidos y de otros 14 países, respaldados por más de 90 universidades e institutos de investigación; aproximadamente 250 estudiantes contribuyen activamente a la colaboración. El nuevo descubrimiento de LIGO es la primera observación de ondas gravitacionales, realizada midiendo las diminutas perturbaciones que las ondas generan en el espacio y el tiempo a medida que pasan a través de la Tierra. Ha abierto nuevas fronteras astrofísicas que exploran el lado deformado del universo: objetos y fenómenos que están hechos de espaciotiempo deformado.
Aunque su misión es detectar ondas gravitacionales de algunos de los procesos más violentos y energéticos del Universo, los datos que LIGO recopila pueden tener efectos de gran alcance en muchas áreas de la física, incluyendo gravitación, relatividad, astrofísica, cosmología, física de partículas y física nuclear.
Procesar los datos observados mediante cálculos de relatividad numéricos que implican matemáticas complejas para discernir la señal del ruido, filtrar la señal relevante y estimar estadísticamente la significancia de los datos observados
Visualización de datos para que los resultados binarios/numéricos puedan ser comprendidos.
Las Ondas Gravitacionales son difíciles de detectar, ya que producen un efecto muy pequeño y tienen una diminuta interacción con la materia. Procesar y analizar todos los datos de LIGO requiere una vasta infraestructura informática. Después de ocuparse del ruido, que es miles de millones de veces mayor que la señal, aún quedan ecuaciones de relatividad muy complejas y enormes cantidades de datos que suponen un desafío computacional: se necesitan aproximadamente O(10^7) horas de CPU para los análisis de fusiones binarias, distribuidas en 6 clústeres dedicados de LIGO
Avalancha de Datos
A medida que los dispositivos de observación se vuelven más sensibles y confiables, los desafíos planteados por la avalancha de datos y encontrar una aguja en un pajar aumentan exponencialmente. ¡LIGO genera terabytes de datos cada día! Dar sentido a estos datos requiere de un esfuerzo enorme para todas y cada una de las detecciones. Por ejemplo, las señales recolectadas por LIGO deben ser comparadas por supercomputadoras contra cientos de miles de plantillas de posibles señales de ondas gravitacionales.
Visualización
Una vez superados los obstáculos relacionados con comprender suficientemente bien las ecuaciones de Einstein para resolverlas utilizando supercomputadoras, el siguiente gran desafío fue hacer que los datos fueran comprensibles para el cerebro humano. La modelación de simulación, así como la detección de señales, requieren técnicas de visualización efectivas. La visualización también desempeña un papel en otorgar más credibilidad a la relatividad numérica a los ojos de los aficionados a la ciencia pura, los cuales no le daban suficiente importancia a la relatividad numérica hasta que las imágenes y simulaciones facilitaron la comprensión de los resultados para un público más amplio. La velocidad de los cálculos complejos y la renderización, así como la re-renderización de imágenes y simulaciones utilizando los últimos datos experimentales y conocimientos, puede ser una actividad que consume mucho tiempo y que representa un desafío para los investigadores en este campo.
El Papel de NumPy en la Detección de Ondas Gravitacionales#
Las ondas gravitacionales emitidas por la fusión no pueden ser calculadas utilizando ninguna técnica excepto la relatividad numérica por fuerza bruta usando supercomputadoras. La cantidad de datos que LIGO recopila es tan incomprensiblemente grande como pequeñas son las señales de onda gravitacionales.
NumPy, el paquete de análisis numérico estándar para Python, fue utilizado por el software empleado en varias tareas realizadas durante el proyecto de detección de Ondas Gravitacionales en LIGO. NumPy ayudó a resolver las matemáticas complejas y la manipulación de datos a alta velocidad. Aquí hay algunos ejemplos:
Recuperación de datos: Decidir qué datos pueden ser analizados, y determinar si estos contienen una señal - aguja en un pajar
Análisis estadístico: estimar la significancia estadística de los datos observados, estimación de los parámetros de señal (por ejemplo, masas de estrellas, velocidad de giro y distancia) en comparación con un modelo.
Visualización de datos
Series de tiempo
Espectrogramas
Cálculo de Correlaciones
Software clave desarrollado en análisis de datos de Ondas Gravitacionales como, tales como GwPy y PyCBC utiliza NumPy y AstroPy bajo su cubierta para proporcionar interfaces basadas en objetos a utilidades, herramientas y métodos para el estudio de datos provenientes de detectores de ondas gravitacionales.
Gráfico de dependencias que muestra cómo depende el paquete GwPy de NumPy#
Gráfico de dependencias que muestra cómo el paquete PyCBC depende de NumPy#
La detección de ondas gravitacionales ha permitido a los investigadores descubrir fenómenos completamente inesperados, al tiempo que proporciona nuevos conocimientos sobre muchos de los fenómenos astrofísicos más profundos conocidos. El procesamiento de datos y la visualización de datos son pasos cruciales que ayudan a los científicos a obtener información a partir de los datos recopilados en las observaciones científicas y a comprender los resultados. Los cálculos son complejos y no pueden ser comprendidos por humanos, a menos que sean visualizados utilizando simulaciones por computador que se alimenten con datos y análisis reales observados. NumPy, junto con otros paquetes de Python como matplotlib, pandas y scikit-learn, está permitiendo a los investigadores responder preguntas complejas y descubrir nuevos horizontes en nuestra comprensión del universo.
Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por
+cataclismos en el universo, tales como la colisión y fusión de dos agujeros
+negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.
El Observatorio de Ondas Gravitacionales por Interferometría Láser (LIGO) fue diseñado para abrir el campo de la astrofísica de ondas gravitacionales mediante la detección directa de las ondas gravitacionales predichas por la Teoría General de la Relatividad de Einstein. Comprende dos interferómetros ampliamente separados dentro de los Estados Unidos: uno en Hanford, Washington, y el otro en Livingston, Louisiana, operando al unísono para detectar ondas gravitacionales. Cada uno de ellos tiene
+detectores de ondas gravitacionales de escala de múltiples kilómetros que utilizan interferometría de láser. La Colaboración Científica de LIGO (LSC) es un grupo de más de 1000 científicos de universidades de los Estados Unidos y de otros 14 países, respaldados por más de 90 universidades e institutos de investigación; aproximadamente 250 estudiantes contribuyen activamente a la colaboración. El nuevo descubrimiento de LIGO es la primera observación de ondas gravitacionales, realizada midiendo las diminutas perturbaciones que las ondas generan en el espacio y el tiempo a medida que pasan a través de la Tierra. Ha abierto nuevas fronteras astrofísicas
+que exploran el lado deformado del universo: objetos y fenómenos que están
+hechos de espaciotiempo deformado.
Aunque su misión es detectar ondas gravitacionales de algunos de los procesos más violentos y energéticos del Universo, los datos que LIGO recopila pueden tener efectos de gran alcance en muchas áreas de la física, incluyendo gravitación, relatividad, astrofísica, cosmología, física de partículas y física nuclear.
Procesar los datos observados mediante cálculos de relatividad numéricos que implican matemáticas complejas para discernir la señal del ruido, filtrar la señal relevante y estimar estadísticamente la significancia de los datos observados
Visualización de datos para que los resultados binarios/numéricos puedan ser comprendidos.
Las Ondas Gravitacionales son difíciles de detectar, ya que producen un efecto muy pequeño y tienen una diminuta interacción con la materia. Procesar y analizar todos los datos de LIGO requiere una vasta infraestructura informática. Después de ocuparse del ruido, que es miles de millones de veces mayor que la señal, aún quedan ecuaciones de relatividad muy complejas y enormes cantidades de datos que suponen un desafío computacional: se necesitan aproximadamente O(10^7) horas de CPU para los análisis de fusiones binarias, distribuidas en 6 clústeres dedicados de LIGO
Avalancha de Datos
A medida que los dispositivos de observación se vuelven más sensibles y confiables, los desafíos planteados por la avalancha de datos y encontrar una aguja en un pajar aumentan exponencialmente.
+¡LIGO genera terabytes de datos cada día! Dar sentido a estos datos requiere de un esfuerzo enorme para todas y cada una de las detecciones. Por ejemplo, las señales recolectadas por LIGO deben ser comparadas por supercomputadoras contra cientos de miles de plantillas de posibles señales de ondas gravitacionales.
Visualización
Una vez superados los obstáculos relacionados con comprender suficientemente bien las ecuaciones de Einstein para resolverlas utilizando supercomputadoras, el siguiente gran desafío fue hacer que los datos fueran comprensibles para el cerebro humano. La modelación de simulación, así como la detección de señales, requieren técnicas de visualización efectivas. La visualización también desempeña un papel en otorgar más credibilidad a la relatividad numérica a los ojos de los aficionados a la ciencia pura, los cuales no le daban suficiente importancia a la relatividad numérica hasta que las imágenes y simulaciones facilitaron la comprensión de los resultados para un público más amplio.
+La velocidad de los cálculos complejos y la renderización, así como la re-renderización de imágenes y simulaciones utilizando los últimos datos experimentales y conocimientos, puede ser una actividad que consume mucho tiempo y que representa un desafío para los investigadores en este campo.
El Papel de NumPy en la Detección de Ondas Gravitacionales#
Las ondas gravitacionales emitidas por la fusión no pueden ser calculadas utilizando ninguna técnica excepto la relatividad numérica por fuerza bruta usando supercomputadoras.
+La cantidad de datos que LIGO recopila es tan incomprensiblemente grande como pequeñas son las señales de onda
+gravitacionales.
NumPy, el paquete de análisis numérico estándar para Python, fue utilizado por
+el software empleado en varias tareas realizadas durante el proyecto de detección de Ondas Gravitacionales
+en LIGO. NumPy ayudó a resolver las matemáticas complejas y la manipulación de datos a alta velocidad. Aquí hay algunos ejemplos:
Recuperación de datos: Decidir qué datos pueden ser analizados, y determinar si estos contienen una señal - aguja en un pajar
Análisis estadístico: estimar la significancia estadística de los datos observados, estimar los parámetros de señal (por ejemplo, masas de estrellas, velocidad de giro y distancia) en comparación con un modelo.
Visualización de datos
Series de tiempo
Espectrogramas
Cálculo de Correlaciones
Software clave desarrollado en análisis de datos de Ondas Gravitacionales como GwPy y PyCBC utiliza NumPy y AstroPy bajo su cubierta para proporcionar interfaces basadas en objetos para utilidades, herramientas y métodos para el estudio de datos provenientes de detectores de ondas gravitacionales.
Gráfico de dependencias que muestra cómo depende el paquete GwPy de NumPy#
Gráfico de dependencias que muestra cómo el paquete PyCBC depende de NumPy#
La detección de ondas gravitacionales ha permitido a los investigadores descubrir fenómenos completamente inesperados, al tiempo que proporciona nuevos conocimientos sobre muchos de los fenómenos astrofísicos más profundos conocidos. El procesamiento de datos y la visualización de datos son pasos cruciales que ayudan a los científicos a obtener información a partir de los datos recopilados en las observaciones científicas y a comprender los resultados. Los cálculos son complejos y
+no pueden ser comprendidos por humanos, a menos que sean visualizados utilizando simulaciones
+por computador que se alimenten con datos observados reales y análisis. NumPy, junto con otros paquetes de Python como matplotlib, pandas y scikit-learn, está permitiendo a los investigadores responder preguntas complejas y descubrir nuevos horizontes en nuestra comprensión del universo.
\ No newline at end of file
diff --git a/es/case-studies/index.html b/es/case-studies/index.html
index a368254a..e840e25c 100644
--- a/es/case-studies/index.html
+++ b/es/case-studies/index.html
@@ -1,6 +1,9 @@
-NumPy - Case-Studies
\ No newline at end of file
diff --git a/es/case-studies/index.xml b/es/case-studies/index.xml
index e195606b..e2f7929c 100644
--- a/es/case-studies/index.xml
+++ b/es/case-studies/index.xml
@@ -9,7 +9,8 @@
</figure>
<blockquote cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/">
- <p> El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
+ <p>
+El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
</p>
<p class="attribution">—Alexander Mathis, <em>Profesor Asistente, Escuela Politécnica Federal de Lausana</em> (<a href="https://www.epfl.ch/en/">EPFL</a>)</p>
</blockquote>
@@ -27,7 +28,7 @@
<blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs">
<p>
-Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
+Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
</p>
<p class="attribution">—Katie Bouman, <em>Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech</em></p>
</blockquote>
@@ -44,13 +45,16 @@ Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por defin
</figure>
<blockquote cite="https://www.scoopwhoop.com/sports/ms-dhoni/">
- <p> No juegas para el público, juegas para el país.
+ <p>
+No juegas para el público, juegas para el país.
</p>
<p class="attribution">—M S Dhoni, <em>Jugador Internacional de críquet, ex-capitán del equipo de India, juega para Chennai Super Kings en IPL</em></p>
</blockquote>
<h2 id="acerca-del-críquet">Acerca del críquet<a class="headerlink" href="#acerca-del-críquet" title="Link to this heading">#</a></h2>
-<p>Sería una subestimación decir que a los indios les encanta el críquet. El juego se juega en casi todos los rincones de la India, rurales o urbanos, es popular entre los jóvenes y ancianos por igual, conectando miles de millones de personas en India como ningún otro deporte. El críquet disfruta de una gran atención mediática. Hay una cantidad importante de <a href="https://www.statista.com/topics/4543/indian-premier-league-ipl/">dinero</a> y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos, acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.</p>Estudio de Caso: Descubrimiento de Ondas Gravitacionaleshttps://numpy.org/es/case-studies/gw-discov/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/case-studies/gw-discov/<figure class="align-default" id="id000">
+<p>Sería una subestimación decir que a los indios les encanta el críquet. El juego se juega en casi todos los rincones de la India, rurales o urbanos, es popular entre los jóvenes y ancianos por igual, conectando miles de millones de personas en India como ningún otro deporte.
+El críquet disfruta de una gran atención mediática. Hay una cantidad importante de <a href="https://www.statista.com/topics/4543/indian-premier-league-ipl/">dinero</a> y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos,
+acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.</p>Estudio de Caso: Descubrimiento de Ondas Gravitacionaleshttps://numpy.org/es/case-studies/gw-discov/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/case-studies/gw-discov/<figure class="align-default" id="id000">
<img src="https://numpy.org/images/content_images/cs/gw_sxs_image.png" alt="coalescencia de un agujero negro binario generando ondas gravitacionales" class="align-center">
@@ -61,10 +65,13 @@ Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por defin
</figure>
<blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs">
- <p> El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
+ <p>
+ El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
</p>
<p class="attribution">—David Shoemaker, <em>Colaboración científica LIGO</em></p>
</blockquote>
<h2 id="acerca-de-ondas-gravitacionales-y-ligo">Acerca de <a href="https://www.nationalgeographic.com/news/2017/10/what-are-gravitational-waves-ligo-astronomy-science/">Ondas Gravitacionales</a> y <a href="https://www.ligo.caltech.edu">LIGO</a><a class="headerlink" href="#acerca-de-ondas-gravitacionales-y-ligo" title="Link to this heading">#</a></h2>
-<p>Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por cataclismos en el universo, tales como la colisión y fusión de dos agujeros negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.</p>
\ No newline at end of file
+<p>Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por
+cataclismos en el universo, tales como la colisión y fusión de dos agujeros
+negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.</p>
\ No newline at end of file
diff --git a/es/citing-numpy/index.html b/es/citing-numpy/index.html
index 98899516..d407c223 100644
--- a/es/citing-numpy/index.html
+++ b/es/citing-numpy/index.html
@@ -1,8 +1,11 @@
-NumPy - Citando a NumPyNumPy - Citando a NumPy
Si NumPy ha sido importante en tu investigación y deseas reconocer el proyecto en tu publicación académica, te sugerimos que cites el siguiente documento:
Harris, C.R., Millman, K.J., van der Walt, S.J. et al. _ Array programming with NumPy_. Nature 585, 357–362 (2020). DOI: 10.1038/s41586-020-2649-2. (Publisher link).
Si NumPy ha sido importante en tu investigación y deseas reconocer el proyecto en tu publicación académica, te sugerimos que cites el siguiente documento:
Harris, C.R., Millman, K.J., van der Walt, S.J. et al. _ Array programming with NumPy_. Nature 585, 357–362 (2020). DOI: 10.1038/s41586-020-2649-2. (Publisher link).
En formato BibTeX:
@Article{ harris2020array,
title = { Array programming with {NumPy}},
author = {Charles R. Harris and K. Jarrod Millman and St{\'{e}}fan J.
van der Walt and Ralf Gommers and Pauli Virtanen and David
@@ -32,4 +35,4 @@
publisher = {Springer Science and Business Media {LLC}},
url = {https://doi.org/10.1038/s41586-020-2649-2}
}
\ No newline at end of file
diff --git a/es/code-of-conduct/index.html b/es/code-of-conduct/index.html
index cb9d150f..185506bd 100644
--- a/es/code-of-conduct/index.html
+++ b/es/code-of-conduct/index.html
@@ -1,6 +1,9 @@
-NumPy - Código de conducta de NumPy
Este Código de Conducta aplica en todos los espacios gestionados por el proyecto NumPy, incluyendo todas las listas de correo públicas y privadas, gestores de incidencias, wikis, blogs, X (antes llamado Twitter) y cualquier otro canal de comunicación utilizado por nuestra comunidad. El proyecto NumPy no organiza eventos en persona; sin embargo, los eventos relacionados con nuestra comunidad deben tener un código de conducta similar a este.
Este Código de Conducta debe ser respetado por todos los que participan en la comunidad NumPy formalmente o informalmente, o reclaman cualquier afiliación con el proyecto, en cualquier actividad relacionada con el proyecto y especialmente cuando representan el proyecto de cualquier manera.
Este código no es exhaustivo ni completo. Sirve para sintetizar nuestro entendimiento común de un entorno y unos objetivos compartidos y de colaboración. Por favor, intenta seguir este código tanto en el espíritu como en la letra, para crear un ambiente cordial y productivo que enriquezca a la comunidad circundante.
Ser abiertos. Invitamos a todas las personas a participar en nuestra comunidad. Preferimos utilizar métodos de comunicación públicos para los mensajes relacionados con el proyecto, a menos que se trate de algo delicado. Esto se aplica también a los mensajes de ayuda o soporte relacionados con el proyecto; no sólo es mucho más probable que una solicitud de soporte pública dé lugar a una respuesta a una pregunta, sino que también garantiza que cualquier error involuntario en la respuesta se detecte y corrija más fácilmente.
Ser empáticos, cordiales, amables y pacientes. Trabajamos juntos para resolver los conflictos y asumimos que hay buenas intenciones. Todos podemos experimentar cierta frustración de vez en cuando, pero no permitimos que la frustración se convierta en un ataque personal. Una comunidad en la que la gente se siente incómoda o amenazada no es productiva.
Ser colaborativos. Nuestro trabajo será utilizado por otras personas, y a su vez dependeremos del trabajo de otros. Cuando hacemos algo en beneficio del proyecto, estamos dispuestos a explicar a otros cómo funciona, de manera que puedan construir sobre este trabajo para hacerlo aún mejor. Cualquier decisión que tomemos afectará a usuarios y colegas, y nos tomamos en serio esas consecuencias a la hora de tomar decisiones.
Ser curiosos. ¡Nadie lo sabe todo! Hacer preguntas tempranas evita muchos problemas posteriores, por lo que fomentamos las preguntas, aunque las podamos redirigir al foro adecuado. Nos esforzaremos por ser receptivos y útiles.
Ser cuidadosos con las palabras que elegimos. Somos cuidadosos y respetuosos en nuestra comunicación, y asumimos la responsabilidad del lenguaje que utilizamos. Ser amables con los demás. No insultes ni menosprecies a los demás participantes. No aceptaremos el acoso ni otros comportamientos excluyentes, tales como:
Amenazas o expresiones violentas dirigidas a otra persona.
Bromas y lenguaje sexista, racista o discriminatorio.
Publicar material sexualmente explícito o violento.
Publicar (o amenazar con publicar) información de identificación personal de otras personas (“doxing”).
Compartir contenido privado, como correos electrónicos enviados de forma privada o no pública, o foros no registrados como el historial de canales IRC, sin el consentimiento del remitente.
Insultos personales, especialmente aquellos que utilizan términos racistas o sexistas.
Atención sexual no deseada.
Uso excesivo de lenguaje inapropiado. Por favor, evite las palabras soeces; las personas difieren mucho en su sensibilidad a las malas palabras.
Acoso reiterado a los demás. En general, si alguien le pide que se detenga, entonces deténgase.
Abogar o alentar cualquiera de las conductas anteriormente mencionadas.
El proyecto NumPy acoge y fomenta la participación de todos. Estamos comprometidos a ser una comunidad de la que todo el mundo disfrute ser parte. Aunque puede que no siempre seamos capaces de satisfacer las preferencias de cada individuo, intentamos al máximo tratar a todos con amabilidad.
No importa cómo te identifiques o cómo te perciban los demás: te damos la bienvenida. Aunque ninguna lista puede esperar ser exhaustiva, honramos explícitamente la diversidad en: edad, cultura, etnia, genotipo, identidad o expresión de género, lengua, origen nacional, neurotipo, fenotipo, creencias políticas, profesión, raza, religión, orientación sexual, estatus socioeconómico, subcultura y capacidad técnica, en la medida en que éstas no entren en conflicto con este código de conducta.
Aunque aceptamos a personas con dominio de cualquier idioma, el desarrollo de NumPy se lleva a cabo en inglés.
Los estándares de comportamiento en la comunidad NumPy se detallan en el Código de Conducta anterior. Los participantes de nuestra comunidad deben respetar estos estándares en todas sus interacciones y ayudar a los demás a hacer lo mismo (véase la siguiente sección).
Sabemos que es dolorosamente común que la comunicación en Internet comience o se convierta en un abuso evidente y manifiesto. También reconocemos que a veces la gente puede tener un mal día, o no ser consciente de algunas de las directrices de este Código de Conducta. Por favor, tenga esto en cuenta a la hora de decidir cómo responder a una violación de este Código.
En caso de infracciones claramente intencionadas, informe de éstas al Comité de Código de Conducta (ver más abajo). En caso de infracciones posiblemente involuntarias, puede responder a la persona y señalar este código de conducta (tanto en público como en privado, lo que sea más apropiado). Si prefiere no hacerlo, por favor siéntase libre de informar directamente al Comité de Código de Conducta o de pedirle consejo a éste de forma confidencial.
Si tu informe implica a algún miembro del Comité, o si éste considera que tiene un conflicto de intereses en su tramitación, se abstendrán de examinar tu denuncia. Alternativamente, si por cualquier razón usted se siente incómodo haciendo un informe al Comité, también puede ponerse en contacto con el personal senior de NumFOCUS en conduct@numfocus.org.
Resolución de reporte de informes & aplicación del Código de Conducta#
Investigaremos y responderemos a todas las quejas. El Comité de Código de Conducta de NumPy y el Consejo Directivo de NumPy (en caso de estar involucrado) protegerán la identidad del denunciante y tratarán el contenido de las denuncias con carácter confidencial (a menos que el denunciante acuerde lo contrario).
En caso de infracciones graves y evidentes, por ejemplo, amenaza personal o lenguaje violento, sexista o racista, desconectaremos inmediatamente al originador de los canales de comunicación de NumPy; por favor consulte el manual para obtener más detalles.
En casos que no impliquen violaciones claras y graves u obvias de este Código de Conducta, el proceso de actuación sobre cualquier informe de violación del Código de Conducta recibido será:
acusar recibo del informe,
una discusión/retroalimentación razonable,
mediación (si la retroalimentación no fue útil, y únicamente si tanto el denunciante como el denunciado están de acuerdo con ello),
aplicación a través de una decisión transparente (ver Resoluciones) por parte del Comité de Código de conducta.
El Comité responderá a cualquier informe lo antes posible y dentro de un plazo máximo de 72 horas.
Este Código de Conducta aplica en todos los espacios gestionados por el proyecto NumPy, incluyendo todas las listas de correo públicas y privadas, gestores de incidencias, wikis, blogs, X (antes llamado Twitter) y cualquier otro canal de comunicación utilizado por nuestra comunidad. El proyecto NumPy no organiza eventos en persona; sin embargo, los eventos relacionados con nuestra comunidad deben tener un código de conducta similar a este.
Este Código de Conducta debe ser respetado por todos los que participan en la comunidad NumPy formalmente o informalmente, o reclaman cualquier afiliación con el proyecto, en cualquier actividad relacionada con el proyecto y especialmente cuando representan el proyecto de cualquier manera.
Este código no es exhaustivo ni completo. Sirve para sintetizar nuestro entendimiento común de un entorno y unos objetivos compartidos y de colaboración. Por favor, intenta seguir este código tanto en el espíritu como en la letra, para crear un ambiente cordial y productivo que enriquezca a la comunidad circundante.
Ser abiertos. Invitamos a todas las personas a participar en nuestra comunidad. Preferimos utilizar métodos de comunicación públicos para los mensajes relacionados con el proyecto, a menos que se trate de algo delicado. Esto se aplica también a los mensajes de ayuda o soporte relacionados con el proyecto; no sólo es mucho más probable que una solicitud de soporte pública dé lugar a una respuesta a una pregunta, sino que también garantiza que cualquier error involuntario en la respuesta se detecte y corrija más fácilmente.
Ser empáticos, cordiales, amables y pacientes. Trabajamos juntos para resolver los conflictos y asumimos que hay buenas intenciones. Todos podemos experimentar cierta frustración de vez en cuando, pero no permitimos que la frustración se convierta en un ataque personal. Una comunidad en la que la gente se siente incómoda o amenazada no es productiva.
Ser colaborativos. Nuestro trabajo será utilizado por otras personas, y a su vez dependeremos del trabajo de otros. Cuando hacemos algo en beneficio del proyecto, estamos dispuestos a explicar a otros cómo funciona, de manera que puedan construir sobre este trabajo para hacerlo aún mejor. Cualquier decisión que tomemos afectará a usuarios y colegas, y nos tomamos en serio esas consecuencias a la hora de tomar decisiones.
Ser curiosos. ¡Nadie lo sabe todo! Hacer preguntas tempranas evita muchos problemas posteriores, por lo que fomentamos las preguntas, aunque las podamos redirigir al foro adecuado. Nos esforzaremos por ser receptivos y útiles.
Ser cuidadosos con las palabras que elegimos. Somos cuidadosos y respetuosos en nuestra comunicación, y asumimos la responsabilidad del lenguaje que utilizamos. Ser amables con los demás. No insultes ni menosprecies a los demás participantes. No aceptaremos el acoso ni otros comportamientos excluyentes, tales como:
Amenazas o expresiones violentas dirigidas a otra persona.
Bromas y lenguaje sexista, racista o discriminatorio.
Publicar material sexualmente explícito o violento.
Publicar (o amenazar con publicar) información de identificación personal de otras personas (“doxing”).
Compartir contenido privado, como correos electrónicos enviados de forma privada o no pública, o foros no registrados como el historial de canales IRC, sin el consentimiento del remitente.
Insultos personales, especialmente aquellos que utilizan términos racistas o sexistas.
Atención sexual no deseada.
Uso excesivo de lenguaje inapropiado. Por favor, evite las palabras soeces; las personas difieren mucho en su sensibilidad a las malas palabras.
Acoso reiterado a los demás. En general, si alguien le pide que se detenga, entonces deténgase.
Abogar o alentar cualquiera de las conductas anteriormente mencionadas.
El proyecto NumPy acoge y fomenta la participación de todos. Estamos comprometidos a ser una comunidad de la que todo el mundo disfrute ser parte. Aunque puede que no siempre seamos capaces de satisfacer las preferencias de cada individuo, intentamos al máximo tratar a todos con amabilidad.
No importa cómo te identifiques o cómo te perciban los demás: te damos la bienvenida. Aunque ninguna lista puede esperar ser exhaustiva, honramos explícitamente la diversidad en: edad, cultura, etnia, genotipo, identidad o expresión de género, lengua, origen nacional, neurotipo, fenotipo, creencias políticas, profesión, raza, religión, orientación sexual, estatus socioeconómico, subcultura y capacidad técnica, en la medida en que éstas no entren en conflicto con este código de conducta.
Aunque aceptamos a personas con dominio de cualquier idioma, el desarrollo de NumPy se lleva a cabo en inglés.
Los estándares de comportamiento en la comunidad NumPy se detallan en el Código de Conducta anterior. Los participantes de nuestra comunidad deben respetar estos estándares en todas sus interacciones y ayudar a los demás a hacer lo mismo (véase la siguiente sección).
Sabemos que es dolorosamente común que la comunicación en Internet comience o se convierta en un abuso evidente y manifiesto. También reconocemos que a veces la gente puede tener un mal día, o no ser consciente de algunas de las directrices de este Código de Conducta. Por favor, tenga esto en cuenta a la hora de decidir cómo responder a una violación de este Código.
En caso de infracciones claramente intencionadas, informe de éstas al Comité de Código de Conducta (ver más abajo). En caso de infracciones posiblemente involuntarias, puede responder a la persona y señalar este código de conducta (tanto en público como en privado, lo que sea más apropiado). Si prefiere no hacerlo, por favor siéntase libre de informar directamente al Comité de Código de Conducta o de pedirle consejo a éste de forma confidencial.
Si tu informe implica a algún miembro del Comité, o si éste considera que tiene un conflicto de intereses en su tramitación, se abstendrán de examinar tu denuncia. Alternativamente, si por cualquier razón usted se siente incómodo haciendo un informe al Comité, también puede ponerse en contacto con el personal senior de NumFOCUS en conduct@numfocus.org.
Resolución de reporte de informes & aplicación del Código de Conducta#
Investigaremos y responderemos a todas las quejas. El Comité de Código de Conducta de NumPy y el Consejo Directivo de NumPy (en caso de estar involucrado) protegerán la identidad del denunciante y tratarán el contenido de las denuncias con carácter confidencial (a menos que el denunciante acuerde lo contrario).
En caso de infracciones graves y evidentes, por ejemplo, amenaza personal o lenguaje violento, sexista o racista, desconectaremos inmediatamente al originador de los canales de comunicación de NumPy; por favor consulte el manual para obtener más detalles.
En casos que no impliquen violaciones claras y graves u obvias de este Código de Conducta, el proceso de actuación sobre cualquier informe de violación del Código de Conducta recibido será:
acusar recibo del informe,
una discusión/retroalimentación razonable,
mediación (si la retroalimentación no fue útil, y únicamente si tanto el denunciante como el denunciado están de acuerdo con ello),
aplicación a través de una decisión transparente (ver Resoluciones) por parte del Comité de Código de conducta.
El Comité responderá a cualquier informe lo antes posible y dentro de un plazo máximo de 72 horas.
\ No newline at end of file
diff --git a/es/community/index.html b/es/community/index.html
index 52bea081..7132f203 100644
--- a/es/community/index.html
+++ b/es/community/index.html
@@ -1,7 +1,10 @@
-NumPy - ComunidadNumPy - Comunidad
NumPy es un proyecto de código abierto impulsado por la comunidad y desarrollado por un grupo diverso de colaboradores. El liderazgo de NumPy se ha comprometido firmemente a crear una comunidad abierta, inclusiva y positiva. Por favor, lee el Código de Conducta de NumPy para obtener orientación sobre cómo interactuar con los demás de una manera que haga que la comunidad prospere.
Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.
Las siguientes son formas de relacionarse directamente con el proyecto y la comunidad de NumPy. Ten en cuenta que animamos a los usuarios y a los miembros de la comunidad a apoyarse mutuamente por preguntas de uso - ver Obtener ayuda.
Este es el foro principal para discusiones más extensas, como añadir nuevas características a NumPy, hacer cambios en el mapa de ruta de NumPy, y todo tipo de proceso de toma de decisiones sobre el proyecto. Aquí también se realizan los anuncios sobre NumPy, tales como lanzamientos, reuniones de desarrolladores, sprints o charlas en conferencias.
En esta lista, por favor, utiliza el botón de envío inferior, responde a la lista (en lugar de a otro remitente) y no respondas a los resúmenes. El archivo de consulta de esta lista está disponible aquí.
Para informes de error (por ejemplo, “np.arange(3).shape devuelve (5,), cuando debería devolver (3,)”);
problemas en la documentación (por ejemplo, “Esta sección me pareció poco clara”);
y solicitudes de funcionalidades (por ejemplo, “Me gustaría tener un nuevo método de interpolación en np.percentile”).
Ten en cuenta que GitHub no es el lugar adecuado para reportar una vulnerabilidad de seguridad. Si crees que has encontrado una vulnerabilidad de seguridad en NumPy, por favor repórtalo aquí.
Una sala de chat en tiempo real para hacer preguntas sobre las contribuciones a NumPy. Este es un espacio privado, destinado específicamente a las personas que no se atreven a plantear sus preguntas o ideas en la lista de correo pública o en GitHub. Por favor, visita aquí para más detalles, y sobre cómo obtener una invitación.
Si desea encontrar un grupo de estudio o reunión local para aprender más sobre NumPy y el ecosistema más amplio de paquetes de Python para ciencia de datos y computación científica, te recomendamos que explores los PyData meetups (más de 150 reuniones, más de 100,000 miembros).
NumPy también organiza ocasionalmente sprints presenciales para su equipo y colaboradores interesados. Estos normalmente se planifican con varios meses de anticipación y se anunciarán en la lista de correo y en X (antes conocido como Twitter).
El proyecto NumPy no organiza sus propias conferencias. Las conferencias que tradicionalmente han sido más populares entre los responsables, colaboradores y usuarios de NumPy son la serie de conferencias de SciPy y PyData:
Conferencias PyData (de 15 a 20 eventos al año, repartidos entre muchos países)
Muchas de estas conferencias incluyen tutoriales y/o sprints que cubren NumPy, en donde puedes aprender cómo contribuir a Numpy o proyectos de código abierto relacionados.
Para prosperar, el proyecto NumPy necesita tu experiencia y entusiasmo. ¿No sabes programar? ¡No es un problema! Hay muchas maneras de contribuir a NumPy.
Si te interesa colaborar en NumPy (¡hurra!) te recomendamos que visites nuestra página Contribuir.
No dudes en pasar a saludarnos en uno de nuestros encuentros de la comunidad. Para enterarte del próximo, consulta nuestro calendario de eventos aquí.
NumPy es un proyecto de código abierto impulsado por la comunidad y desarrollado por un grupo diverso de colaboradores. El liderazgo de NumPy se ha comprometido firmemente a crear una comunidad abierta, inclusiva y positiva. Por favor, lee el Código de Conducta de NumPy para obtener orientación sobre cómo interactuar con los demás de una manera que haga que la comunidad prospere.
Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.
Las siguientes son formas de relacionarse directamente con el proyecto y la comunidad de NumPy.
+Ten en cuenta que animamos a los usuarios y a los miembros de la comunidad a apoyarse mutuamente por preguntas de uso - ver Obtener ayuda.
Este es el foro principal para discusiones más extensas, como añadir nuevas características a NumPy, hacer cambios en el mapa de ruta de NumPy, y todo tipo de proceso de toma de decisiones sobre el proyecto.
+Aquí también se realizan los anuncios sobre NumPy, tales como lanzamientos, reuniones de desarrolladores, sprints o charlas en conferencias.
En esta lista, por favor, utiliza el botón de envío inferior, responde a la lista (en lugar de a otro remitente) y no respondas a los resúmenes. El archivo de consulta de esta lista está disponible aquí.
Para informes de error (por ejemplo, “np.arange(3).shape devuelve (5,), cuando debería devolver (3,)”);
problemas en la documentación (por ejemplo, “Esta sección me pareció poco clara”);
y solicitudes de funcionalidades (por ejemplo, “Me gustaría tener un nuevo método de interpolación en np.percentile”).
Ten en cuenta que GitHub no es el lugar adecuado para reportar una vulnerabilidad de seguridad. Si crees que has encontrado una vulnerabilidad de seguridad en NumPy, por favor repórtalo aquí.
Una sala de chat en tiempo real para hacer preguntas sobre las contribuciones a NumPy.
+Este es un espacio privado, destinado específicamente a las personas que no se atreven a plantear sus preguntas o ideas en la lista de correo pública o en GitHub.
+Por favor, visita aquí para más detalles, y sobre cómo obtener una invitación.
Si desea encontrar un grupo de estudio o reunión local para aprender más sobre NumPy y el ecosistema más amplio de paquetes de Python para ciencia de datos y computación científica, te recomendamos que explores los PyData meetups (más de 150 reuniones, más de 100,000 miembros).
NumPy también organiza ocasionalmente sprints presenciales para su equipo y colaboradores interesados. Estos normalmente se planifican con varios meses de anticipación y se anunciarán en la lista de correo y en X (antes conocido como Twitter).
El proyecto NumPy no organiza sus propias conferencias. Las conferencias que tradicionalmente han sido más populares entre los responsables, colaboradores y usuarios de NumPy son la serie de conferencias de SciPy y PyData:
SciPy US
EuroSciPy
SciPy Latinoamérica
SciPy India
SciPyData Japan
Conferencias PyData (de 15 a 20 eventos al año, repartidos entre muchos países)
Muchas de estas conferencias incluyen tutoriales y/o sprints que cubren NumPy, en donde puedes aprender cómo contribuir a Numpy o proyectos de código abierto relacionados.
Para prosperar, el proyecto NumPy necesita tu experiencia y entusiasmo. ¿No sabes programar? ¡No es un problema! Hay muchas maneras de contribuir a NumPy.
Si te interesa colaborar en NumPy (¡hurra!) te recomendamos que visites nuestra página Contribuir.
No dudes en pasar a saludarnos en uno de nuestros encuentros de la comunidad. Para enterarte del próximo, consulta nuestro calendario de eventos aquí.
On this page
\ No newline at end of file
diff --git a/es/conduct.html b/es/conduct.html
new file mode 100644
index 00000000..9c299463
--- /dev/null
+++ b/es/conduct.html
@@ -0,0 +1 @@
+https://numpy.org/es/code-of-conduct/
\ No newline at end of file
diff --git a/es/config.yaml b/es/config.yaml
index 0357ec74..932a9e45 100644
--- a/es/config.yaml
+++ b/es/config.yaml
@@ -6,71 +6,71 @@ params:
text: NumPy
link: /es/
hero:
- #Main hero title
+ # Main hero title
title: NumPy
- #Hero subtitle (optional)
+ # Hero subtitle (optional)
subtitle: El paquete fundamental para la computación científica con Python
- #Button text
+ # Button text
buttontext: "Última versión: NumPy 2.0. Ver todas las versiones"
- #Where the main hero button links to
- buttonlink: "/news/#releases"
- #Hero image (from static/images/___)
+ # Where the main hero button links to
+ buttonlink: "/es/news/#releases"
+ # Hero image (from static/images/___)
image: logo.svg
shell:
title: marcador
intro:
- - title: Prueba NumPy
- text: Utilice el terminal interactivo para probar NumPy en el navegador
+ - title: Prueba NumPy
+ text: Utilice el terminal interactivo para probar NumPy en el navegador
docslink: No olvides echarle un ojo a la documentación.
casestudies:
title: CASOS DE ESTUDIO
features:
- - title: Primera imagen de un Agujero Negro
- text: Cómo NumPy, junto con bibliotecas como SciPy y Matplotlib que dependen de NumPy, permitió al Telescopio del Horizonte de Sucesos producir la primera imagen de un agujero negro
- img: /images/content_images/case_studies/blackhole.png
- alttext: Primera imagen de un agujero negro. Es un círculo anaranjado con fondo negro.
- url: /es/case-studies/blackhole-image
- - title: Detección de Ondas Gravitacionales
- text: En 1916 Albert Einstein predijo las ondas gravitacionales; 100 años después se confirmó su existencia por científicos del LIGO, utilizando NumPy.
- img: /images/content_images/case_studies/gravitional.png
- alttext: Dos cuerpos orbitándose mutuamente. Estos desplazan la gravedad a su alrededor.
- url: /es/case-studies/gw-discov
- - title: Analíticas Deportivas
- text: El Análisis de Críquet está cambiando el juego, mejorando el rendimiento de los jugadores y equipos mediante modelos estadísticos y análisis predictivos. NumPy permite realizar muchos de estos análisis.
- img: /images/content_images/case_studies/sports.jpg
- alttext: Bola de Cricket sobre un campo verde.
- url: /es/case-studies/cricket-analytics
- - title: Estimación de la pose mediante aprendizaje profundo
- text: DeepLabCut utiliza NumPy para acelerar estudios científicos que implican la observación del comportamiento animal para una mejor comprensión del control motriz, a través de especies y escalas de tiempo.
- img: /images/content_images/case_studies/deeplabcut.png
- alttext: Análisis de la pose de un Guepardo
- url: /es/case-studies/deeplabcut-dnn
+ - title: Primera imagen de un Agujero Negro
+ text: Cómo NumPy, junto con bibliotecas como SciPy y Matplotlib que dependen de NumPy, permitió al Telescopio del Horizonte de Sucesos producir la primera imagen de un agujero negro
+ img: /images/content_images/case_studies/blackhole.png
+ alttext: Primera imagen de un agujero negro. Es un círculo anaranjado con fondo negro.
+ url: /es/case-studies/blackhole-image
+ - title: Detección de Ondas Gravitacionales
+ text: En 1916 Albert Einstein predijo las ondas gravitacionales; 100 años después se confirmó su existencia por científicos del LIGO, utilizando NumPy.
+ img: /images/content_images/case_studies/gravitional.png
+ alttext: Dos cuerpos orbitándose mutuamente. Estos desplazan la gravedad a su alrededor.
+ url: /es/case-studies/gw-discov
+ - title: Analíticas Deportivas
+ text: El Análisis de Críquet está cambiando el juego, mejorando el rendimiento de los jugadores y equipos mediante modelos estadísticos y análisis predictivos. NumPy permite realizar muchos de estos análisis.
+ img: /images/content_images/case_studies/sports.jpg
+ alttext: Bola de Cricket sobre un campo verde.
+ url: /es/case-studies/cricket-analytics
+ - title: Estimación de la pose mediante aprendizaje profundo
+ text: DeepLabCut utiliza NumPy para acelerar estudios científicos que implican la observación del comportamiento animal para una mejor comprensión del control motriz, a través de especies y escalas de tiempo.
+ img: /images/content_images/case_studies/deeplabcut.png
+ alttext: Análisis de la pose de un Guepardo
+ url: /es/case-studies/deeplabcut-dnn
tabs:
title: ECOSISTEMA
section5: false
navbar:
- - title: Instalar
- url: /es/install
- - title: Documentación
- url: https://numpy.org/doc/stable
- - title: Aprende
- url: /es/learn
- - title: Comunidad
- url: /es/community
- - title: Quiénes somos
- url: /es/about
- - title: Noticias
- url: /es/news
- - title: Contribuye
- url: /es/contribute
+ - title: Instalar
+ url: /es/install
+ - title: Documentación
+ url: https://numpy.org/doc/stable
+ - title: Aprende
+ url: /es/learn
+ - title: Comunidad
+ url: /es/community
+ - title: Quiénes somos
+ url: /es/about
+ - title: Noticias
+ url: /es/news
+ - title: Contribuye
+ url: /es/contribute
footer:
logo: logo.svg
socialmediatitle: ""
socialmedia:
- - link: https://github.com/numpy/numpy
- icon: github
- - link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng
- icon: youtube
+ - link: https://github.com/numpy/numpy
+ icon: github
+ - link: https://www.youtube.com/@NumPy_team
+ icon: youtube
quicklinks:
column1:
title: ""
diff --git a/es/contribute/index.html b/es/contribute/index.html
index 0f518844..f1dc33ed 100644
--- a/es/contribute/index.html
+++ b/es/contribute/index.html
@@ -1,8 +1,11 @@
-NumPy - Contribuye a NumPyNumPy - Contribuye a NumPy
¡El proyecto NumPy agradece tu experiencia y entusiasmo! Tus opciones no se limitan a la programación. Como puedes ver más abajo, existen muchas áreas en las que necesitamos tu ayuda.
Si no estás seguro por dónde empezar o cómo encajan tus habilidades, ¡acércate! Puedes preguntar en la lista de correos o GitHub (abre una propuesta o comenta en una relevante).
Estos son nuestros canales preferidos (el código abierto es abierto por naturaleza), pero si prefieres hablar de manera privada, contacta a nuestros coordinadores de la comunidad en numpy-team@googlegroups.com o en Slack (escribe a numpy-team@googlegroups.com para recibir una invitación).
También hacemos llamadas a la comunidad de manera quincenal, cuyos detalles se anuncian en la lista de correo. Te invitamos a unirte. Si es la primera vez que contribuyes al código abierto, también te recomendamos encarecidamente que leas esta guía.
Nuestra comunidad aspira a tratar a todos por igual y a valorar todas las contribuciones. Tenemos un Código de Conducta para fomentar un entorno abierto y acogedor.
El proyecto tiene más de 250 solicitudes de cambios abiertos, lo que significa muchas mejoras potenciales y muchos colaboradores de código abierto esperando retroalimentación. Si eres un desarrollador que conoce NumPy, puedes ayudar aunque no estés familiarizado con el código base. Puedes:
resumir un debate extenso
categorizar documentación de solicitudes de incorporación de cambios
La Guía de usuario de NumPy está en proceso de rehabilitación. Necesitamos nuevos tutoriales, instrucciones y explicaciones detalladas, y la página necesita una reestructuración. Las oportunidades no se limitan a escritores. También ejemplos prácticos, notebooks y vídeos. La propuesta NEP 44 - Reestructuración de la Documentación NumPy expone nuestras ideas – y tal vez tú puedas tener otras.
El rastreador de propuestas de NumPy tiene muchos temas abiertos. Algunos ya no son válidos, otros deberían priorizarse y otros serían buenos temas para nuevos colaboradores. Puedes:
revisar si errores antiguos siguen presentes
encontrar problemas duplicados, y enlazar las relacionadas
añadir la forma de reproducir siempre el mismo problema
etiquetar correctamente los problemas (para ello es necesario tener derechos de categorización, solo necesitas preguntar)
Acabamos de renovar nuestro sitio web, pero aún no hemos terminado. Si te gusta el desarrollo web, estas incidencias enumeran algunas de nuestras necesidades insatisfechas – y no dudes en compartir tus propias ideas.
Apenas podemos empezar a enumerar las aportaciones que puede hacer un diseñador gráfico. Nuestra documentación está sedienta de ilustraciones; nuestro sitio web, en pleno crecimiento, ansía imágenes… las oportunidades abundan.
Planeamos múltiples traducciones de numpy.org para hacer a NumPy accesible a los usuarios en su lengua materna. Los traductores voluntarios son el núcleo de este esfuerzo. Consulta aquí para más información; comenta en este tema de GitHub para inscribirte.
A través del contacto con la comunidad compartimos nuestro trabajo más ampliamente, y aprendemos en dónde nos estamos quedando cortos. Estamos ansiosos por conseguir más gente involucrada en esfuerzos como nuestra cuenta de X (antes llamado Twitter), organizando code sprints de NumPy, un boletín y quizás un blog.
NumPy fue durante muchos años un proyecto voluntario, pero a medida que crecía su importancia se hizo evidente que necesitaríamos apoyo financiero para garantizar su estabilidad y crecimiento. Esta charla en SciPy'19 explica cuánta diferencia ha supuesto este apoyo. Como todo en el mundo sin ánimo de lucro, estamos constantemente en busca de subvenciones, patrocinios y otros tipos de ayuda. Tenemos varias ideas y, por supuesto, aceptamos más. La recaudación de fondos es una habilidad escasa aquí – apreciaríamos tu ayuda.
¡El proyecto NumPy agradece tu experiencia y entusiasmo!
+Tus opciones no se limitan a la programación. Como puedes ver más abajo, existen muchas áreas en las que necesitamos tu ayuda.
Si no estás seguro por dónde empezar o cómo encajan tus habilidades, ¡acércate! Puedes preguntar en la lista de correos o GitHub (abre una propuesta o comenta en una relevante).
Estos son nuestros canales preferidos (el código abierto es abierto por naturaleza), pero si prefieres hablar de manera privada, contacta a nuestros coordinadores de la comunidad en numpy-team@googlegroups.com o en Slack (escribe a numpy-team@googlegroups.com para recibir una invitación).
También hacemos llamadas a la comunidad de manera quincenal, cuyos detalles se anuncian en la lista de correo.
+Te invitamos a unirte.
+Si es la primera vez que contribuyes al código abierto, también te recomendamos encarecidamente que leas esta guía.
Nuestra comunidad aspira a tratar a todos por igual y a valorar todas las contribuciones. Tenemos un Código de Conducta para fomentar un entorno abierto y acogedor.
For a visual guide on how to contribute to NumPy, check out this comic.
El proyecto tiene más de 250 solicitudes de cambios abiertos, lo que significa muchas mejoras potenciales y muchos colaboradores de código abierto esperando retroalimentación. Si eres un desarrollador que conoce NumPy, puedes ayudar aunque no estés familiarizado con el código base. Puedes:
resumir un debate extenso
categorizar documentación de solicitudes de incorporación de cambios
La Guía de usuario de NumPy está en proceso de rehabilitación.
+Necesitamos nuevos tutoriales, instrucciones y explicaciones detalladas, y la página necesita una reestructuración. Las oportunidades no se limitan a escritores. También ejemplos prácticos, notebooks y vídeos. La propuesta NEP 44 - Reestructuración de la Documentación NumPy expone nuestras ideas – y tal vez tú puedas tener otras.
El rastreador de propuestas de NumPy tiene muchos temas abiertos. Algunos ya no son válidos, otros deberían priorizarse y otros serían buenos temas para nuevos colaboradores. Puedes:
revisar si errores antiguos siguen presentes
encontrar problemas duplicados, y enlazar las relacionadas
añadir la forma de reproducir siempre el mismo problema
etiquetar correctamente los problemas (para ello es necesario tener derechos de categorización, solo necesitas preguntar)
Acabamos de renovar nuestro sitio web, pero aún no hemos terminado. Si te gusta el desarrollo web, estas incidencias enumeran algunas de nuestras necesidades insatisfechas – y no dudes en compartir tus propias ideas.
Apenas podemos empezar a enumerar las aportaciones que puede hacer un diseñador gráfico.
+Nuestra documentación está sedienta de ilustraciones; nuestro sitio web, en pleno crecimiento, ansía imágenes… las oportunidades abundan.
Planeamos múltiples traducciones de numpy.org para hacer a NumPy accesible a los usuarios en su lengua materna. Los traductores voluntarios son el núcleo de este esfuerzo. Consulta aquí para más información; comenta en este tema de GitHub para inscribirte.
A través del contacto con la comunidad compartimos nuestro trabajo más ampliamente, y aprendemos en dónde nos estamos quedando cortos. Estamos ansiosos por conseguir más gente involucrada en esfuerzos como nuestra cuenta de X (antes llamado Twitter), organizando code sprints de NumPy, un boletín y quizás un blog.
NumPy fue durante muchos años un proyecto voluntario, pero a medida que crecía su importancia se hizo evidente que necesitaríamos apoyo financiero para garantizar su estabilidad y crecimiento.
+NumPy fue durante muchos años un proyecto voluntario, pero a medida que crecía su importancia se hizo evidente que necesitaríamos apoyo financiero para garantizar su estabilidad y crecimiento. Como todo en el mundo sin ánimo de lucro, estamos constantemente en busca de subvenciones, patrocinios y otros tipos de ayuda. Tenemos varias ideas y, por supuesto, aceptamos más.
+La recaudación de fondos es una habilidad escasa aquí – apreciaríamos tu ayuda.
\ No newline at end of file
diff --git a/es/diversity_sep2020/index.html b/es/diversity_sep2020/index.html
new file mode 100644
index 00000000..81a4a0be
--- /dev/null
+++ b/es/diversity_sep2020/index.html
@@ -0,0 +1,67 @@
+NumPy - NumPy Diversity and Inclusion Statement
In light of the foregoing discussion on social media after publication of the
+NumPy paper in Nature and the concerns raised about the state of diversity and
+inclusion on the NumPy team, we would like to issue the following statement:
It is our strong belief that we are at our best, as a team and community, when
+we are inclusive and equitable. Being an international team from the onset, we
+recognize the value of collaborating with individuals from diverse backgrounds
+and expertise. A culture where everyone is welcomed, supported, and valued is
+at the core of the NumPy project.
Contributing to open source has always been a pastime in which most
+historically marginalized groups, especially women, faced more obstacles to
+participate due to a number of societal constraints and expectations.
+Open source has a severe diversity gap that is well documented (see, e.g., the
+2017 GitHub Open Source Survey and
+this blog post).
Since its inception and until 2018, NumPy was maintained by a handful of
+volunteers often working nights and weekends outside of their day jobs. At any
+one time, the number of active core developers, the ones doing most of the
+heavy lifting as well as code review and integration of contributions from the
+community, was in the range of 4 to 8. The project didn’t have a roadmap or
+mechanism for directing resources, being driven by individual efforts to work
+on what seemed needed. The authors on the NumPy paper are the individuals who
+made the most significant and sustained contributions to the project over a
+period of 15 years (2005 - 2019). The lack of diversity on this author list is
+a reflection of the formative years of the Python and SciPy ecosystems.
2018 has marked an important milestone in the history of the NumPy project.
+Receiving funding from The Gordon and Betty Moore Foundation and Alfred P.
+Sloan Foundation allowed us to provide full-time employment for two software
+engineers with years of experience contributing to the Python ecosystem. Those
+efforts brought NumPy to a much healthier technical state.
This funding also created space for NumPy maintainers to focus on project
+governance, community development, and outreach to underrepresented groups.
+The diversity statement
+written in mid 2019 for the CZI EOSS program grant application details some of
+the challenges as well as the advances in our efforts to bring in more diverse
+talent to the NumPy team.
Offering employment opportunities is an effective way to attract and retain
+diverse talent in OSS. Therefore, we used two-thirds of our second grant that
+became available in Dec 2019 to employ Melissa Weber Mendonça and Mars Lee.
As a result of several initiatives aimed at community development and
+engagement led by Inessa Pawson and Ralf Gommers, the NumPy project has
+received a number of valuable contributions from women and other
+underrepresented groups in open source in 2020:
Melissa Weber Mendonça gained commit rights, is maintaining numpy.f2py and is
+leading the documentation team,
Shaloo Shalini created all case studies on numpy.org,
Mars Lee contributed web design and led our accessibility improvements work,
Isabela Presedo-Floyd designed our new logo,
Stephanie Mendoza, Xiayoi Deng, Deji Suolang, and Mame Fatou Thiam
+designed and fielded the first NumPy user survey,
Yuki Dunn, Dayane Machado, Mahfuza Humayra Mohona, Sumera Priyadarsini,
+Shaloo Shalini, and Kriti Singh (former Outreachy intern) helped the
+survey team to reach out to non-English speaking NumPy users and developers
+by translating the questionnaire into their native languages,
Sayed Adel, Raghuveer Devulapalli, and Chunlin Fang are driving the work on
+SIMD optimizations in the core of NumPy.
While we still have much more work to do, the NumPy team is starting to look
+much more representative of our user base. And we can assure you that the next
+NumPy paper will certainly have a more diverse group of authors.
We are fully committed to fostering inclusion and diversity on our team and in
+our community, and to do our part in building a more just and equitable future.
We are open to dialogue and welcome every opportunity to connect with
+organizations representing and supporting women and minorities in tech and
+science. We are ready to listen, learn, and support.
Sayed Adel, Sebastian Berg, Raghuveer Devulapalli, Chunlin Fang, Ralf Gommers,
+Allan Haldane, Stephan Hoyer, Mars Lee, Melissa Weber Mendonça, Jarrod Millman,
+Inessa Pawson, Matti Picus, Nathaniel Smith, Julian Taylor, Pauli Virtanen,
+Stéfan van der Walt, Eric Wieser, on behalf of the NumPy team
On this page
\ No newline at end of file
diff --git a/es/gethelp/index.html b/es/gethelp/index.html
index 672398d2..73525e49 100644
--- a/es/gethelp/index.html
+++ b/es/gethelp/index.html
@@ -1,8 +1,11 @@
-NumPy - Buscar AyudaNumPy - Buscar Ayuda
Problemas de desarrollo: Para asuntos relacionados con el desarrollo de NumPy (por ejemplo, informes de errores), por favor consulte la sección de Comunidad.
Preguntas de los usuarios: La mejor manera de obtener ayuda es publicar tu pregunta en un sitio como StackOverflow o Reddit. Nos gustaría poder estar al tanto de estos sitios, o responder preguntas de manera directa, ¡pero el volumen es algo abrumador!
Problemas de desarrollo: Para asuntos relacionados con el desarrollo de NumPy (por ejemplo, informes de errores), por favor consulte la sección de Comunidad.
Preguntas de los usuarios: La mejor manera de obtener ayuda es publicar tu pregunta en un sitio como StackOverflow o Reddit. Nos gustaría poder estar al tanto de estos sitios, o responder preguntas de manera directa, ¡pero el volumen es algo abrumador!
\ No newline at end of file
diff --git a/es/history/index.html b/es/history/index.html
index 07065cd2..d84e83ac 100644
--- a/es/history/index.html
+++ b/es/history/index.html
@@ -1,6 +1,9 @@
-NumPy - Historia de NumPy
NumPy es una librería fundamental de Python que proporciona estructuras de datos de arreglos y rutinas numéricas rápidas relacionadas. Cuando se puso en marcha, la librería contaba con escasos fondos y la escribían principalmente estudiantes de posgrado, muchos de ellos sin formación en ciencias de la computación y, a menudo, sin la bendición de sus asesores. Imaginar siquiera que un pequeño grupo de estudiantes programadores “rebeldes” pudiera derribar el ecosistema de software de investigación, ya establecido y respaldado por millones en financiación y cientos de ingenieros altamente cualificados, era absurdo. Sin embargo, las motivaciones filosóficas detrás de la pila de herramientas totalmente abierta, en combinación con una comunidad entusiasta y amigable con un enfoque singular, han demostrado ser favorable a largo plazo. Hoy en día, científicos, ingenieros y muchos otros profesionales en todo el mundo confían en NumPy. Por ejemplo, los scripts publicados usados en el análisis de ondas gravitacionales importan NumPy, y el proyecto de imagen del agujero negro M87 cita directamente a NumPy.
Para conocer en profundidad los hitos en el desarrollo de NumPy y las librerías relacionadas, consulta arxiv.org.
Si deseas obtener una copia de las librerías originales Numeric y Numarray, sigue los siguientes enlaces:
*Ten en cuenta que estos paquetes antiguos ya no se mantienen, y se recomienda encarecidamente a los usuarios que utilicen NumPy para cualquier propósito relacionado con arreglos o que refactoricen cualquier código preexistente para utilizar la librería NumPy.
NumPy es una librería fundamental de Python que proporciona estructuras de datos de arreglos y rutinas numéricas rápidas relacionadas. Cuando se puso en marcha, la librería contaba con escasos fondos y la escribían principalmente estudiantes de posgrado, muchos de ellos sin formación en ciencias de la computación y, a menudo, sin la bendición de sus asesores. Imaginar siquiera que un pequeño grupo de estudiantes programadores “rebeldes” pudiera derribar el ecosistema de software de investigación, ya establecido y respaldado por millones en financiación y cientos de ingenieros altamente cualificados, era absurdo. Sin embargo, las motivaciones filosóficas detrás de la pila de herramientas totalmente abierta, en combinación con una comunidad entusiasta y amigable con un enfoque singular, han demostrado ser favorable a largo plazo. Hoy en día, científicos, ingenieros y muchos otros profesionales en todo el mundo confían en NumPy. Por ejemplo, los scripts publicados usados en el análisis de ondas gravitacionales importan NumPy, y el proyecto de imagen del agujero negro M87 cita directamente a NumPy.
Para conocer en profundidad los hitos en el desarrollo de NumPy y las librerías relacionadas, consulta arxiv.org.
Si deseas obtener una copia de las librerías originales Numeric y Numarray, sigue los siguientes enlaces:
*Ten en cuenta que estos paquetes antiguos ya no se mantienen, y se recomienda encarecidamente a los usuarios que utilicen NumPy para cualquier propósito relacionado con arreglos o que refactoricen cualquier código preexistente para utilizar la librería NumPy.
\ No newline at end of file
diff --git a/es/index.html b/es/index.html
index 54668286..09a46592 100644
--- a/es/index.html
+++ b/es/index.html
@@ -1,6 +1,9 @@
-NumPy
NumPy soporta una amplia gama de hardware y plataformas de computación, y funciona bien con librerías distribuidas, de GPU y de matrices dispersas.
Óptimo
El núcleo de NumPy está optimizado adecuadamente con código en C. Disfrute de la flexibilidad de Python con la velocidad del código compilado.
Fácil de usar
La sintaxis de alto nivel de NumPy lo hace accesible y productivo para programadores de cualquier formación o nivel de experiencia.
Prueba NumPy
Utilice el terminal interactivo para probar NumPy en el navegador
"""
To try the examples in the browser:
1. Type code in the input cell and press
Shift + Enter to execute
@@ -36,7 +39,7 @@
# Generate normally distributed random numbers:rng = np.random.default_rng()
samples = rng.normal(size=2500)
-samples
ECOSISTEMA
ECOSISTEMA
Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy.
NumPy aporta la potencia de cálculo de lenguajes como C y Fortran a Python, un lenguaje mucho más fácil de aprender y utilizar. Con esta potencia viene la sencillez: una solución en NumPy suele ser clara y elegante.
La API de NumPy es el punto de partida cuando se escriben librerías para explotar hardware innovador, crear tipos de arreglos especializadas o añadir capacidades más allá de lo que NumPy proporciona.
Cálculo acelerado con arrays comprimidos en memoria, en disco o remotos.
NumPy es el núcleo de un rico ecosistema de librerías de ciencia de datos. Un flujo de trabajo exploratorio típico de ciencia de datos podría verse así:
Para grandes volúmenes de datos, Dask y Ray están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos (DVC), rastreo de experimentos (MLFlow), y automatización del flujo de trabajo (Airflow, Dagster y Prefect).
NumPy constituye la base de potentes librerías de aprendizaje automático como scikit-learn y SciPy. A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de TensorFlow tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. PyTorch, otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural.
Las técnicas estadísticas denominadas métodos ensemble, como binning, bagging, stacking y boosting, se encuentran entre los algoritmos de ML implementados por herramientas como XGBoost, LightGBM y CatBoost — uno de los motores de inferencia más rápidos. Yellowbrick y Eli5 ofrecen visualizaciones de aprendizaje automático.
El procesamiento acelerado de arreglos de gran tamaño de NumPy permite a los investigadores visualizar conjuntos de datos mucho mayores a los que el Python nativo podría manejar.
Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy.
NumPy aporta la potencia de cálculo de lenguajes como C y Fortran a Python, un lenguaje mucho más fácil de aprender y utilizar. Con esta potencia viene la sencillez: una solución en NumPy suele ser clara y elegante.
La API de NumPy es el punto de partida cuando se escriben librerías para explotar hardware innovador, crear tipos de arreglos especializadas o añadir capacidades más allá de lo que NumPy proporciona.
Cálculo acelerado con arrays comprimidos en memoria, en disco o remotos.
NumPy es el núcleo de un rico ecosistema de librerías de ciencia de datos. Un flujo de trabajo exploratorio típico de ciencia de datos podría verse así:
Para grandes volúmenes de datos, Dask y Ray están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos (DVC), rastreo de experimentos (MLFlow), y automatización del flujo de trabajo (Airflow, Dagster y Prefect).
NumPy constituye la base de potentes librerías de aprendizaje automático como scikit-learn y SciPy. A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de TensorFlow tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. PyTorch, otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural.
Las técnicas estadísticas denominadas métodos ensemble, como binning, bagging, stacking y boosting, se encuentran entre los algoritmos de ML implementados por herramientas como XGBoost, LightGBM y CatBoost — uno de los motores de inferencia más rápidos. Yellowbrick y Eli5 ofrecen visualizaciones de aprendizaje automático.
El procesamiento acelerado de arreglos de gran tamaño de NumPy permite a los investigadores visualizar conjuntos de datos mucho mayores a los que el Python nativo podría manejar.
\ No newline at end of file
diff --git a/es/index.xml b/es/index.xml
index b743bad2..333d28f5 100644
--- a/es/index.xml
+++ b/es/index.xml
@@ -1,11 +1,13 @@
-NumPyhttps://numpy.org/es/Recent content on NumPyHugoesMon, 17 Jun 2024 00:00:00 +0000Noticiashttps://numpy.org/es/news/Mon, 17 Jun 2024 00:00:00 +0000https://numpy.org/es/news/<h3 id="lanzamiento-de-numpy-210">Lanzamiento de NumPy 2.1.0<a class="headerlink" href="#lanzamiento-de-numpy-210" title="Link to this heading">#</a></h3>
-<p><em>18 de agosto 2024</em> – NumPy 2.1.0 provides support for Python 3.13 and drops support for Python 3.9. Además de las habituales correcciones de errores y soporte actualizado de Python, ayuda a que NumPy vuelva a su ciclo de publicación habitual después del extenso desarrollo de 2.0. Los aspectos más destacados son:</p>
+NumPyhttps://numpy.org/es/Recent content on NumPyHugoesMon, 17 Jun 2024 00:00:00 +0000Noticiashttps://numpy.org/es/news/Mon, 17 Jun 2024 00:00:00 +0000https://numpy.org/es/news/<h3 id="lanzamiento-de-numpy-220">Lanzamiento de NumPy 2.2.0<a class="headerlink" href="#lanzamiento-de-numpy-220" title="Link to this heading">#</a></h3>
+<p><em>8 de diciembre de 2024</em> – NumPy 2.2.0 es una versión rápida que nos sincroniza con el ciclo usual de publicación dos veces al año. Ha habido varias pequeñas limpiezas, mejoras en el tipo StringDType y un mejor soporte para Python de hilos libres. Los puntos destacados son:</p>
<ul>
-<li>Soporte para Python 3.13.</li>
-<li>Soporte preliminar para Python 3.13 de hilos libres.</li>
-<li>Compatibilidad con la norma array-api 2023.12.</li>
+<li>Nuevas funciones <code>matvec</code> y <code>vecmat</code>,</li>
+<li>Muchas anotaciones mejoradas,</li>
+<li>Mejor soporte para el nuevo StringDType,</li>
+<li>Mejor soporte para Python libre de hilos</li>
+<li>Correcciones para f2py.</li>
</ul>
-<p>Esta versión es compatible con las versiones 3.10-3.13 de Python.</p>404https://numpy.org/es/404/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/404/<p>¡Oh, oh! Has llegado a un callejón sin salida.</p>
+<p>Esta versión es compatible con versiones de Python 3.10-3.13.</p>404https://numpy.org/es/404/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/404/<p>¡Oh, oh! Has llegado a un callejón sin salida.</p>
<p>Si crees que algo debería estar aquí, puedes <a href="https://github.com/numpy/numpy.org/issues">reportar este problema</a> en GitHub.</p>Aprendehttps://numpy.org/es/learn/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/learn/<p>Para la <strong>documentación oficial de NumPy</strong> visita <a href="https://numpy.org/doc/stable">numpy.org/doc/stable</a>.</p>
<hr>
<p>A continuación se muestra una colección de recursos educativos, tanto para el autoaprendizaje como para enseñar a otros, desarrollados por colaboradores de NumPy y aprobados por la comunidad.</p>
@@ -36,7 +38,8 @@
</figure>
<blockquote cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/">
- <p> El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
+ <p>
+El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
</p>
<p class="attribution">—Alexander Mathis, <em>Profesor Asistente, Escuela Politécnica Federal de Lausana</em> (<a href="https://www.epfl.ch/en/">EPFL</a>)</p>
</blockquote>
@@ -54,7 +57,7 @@
<blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs">
<p>
-Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
+Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
</p>
<p class="attribution">—Katie Bouman, <em>Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech</em></p>
</blockquote>
@@ -93,15 +96,16 @@ Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por defin
<p>Este Código de Conducta aplica en todos los espacios gestionados por el proyecto NumPy, incluyendo todas las listas de correo públicas y privadas, gestores de incidencias, wikis, blogs, X (antes llamado Twitter) y cualquier otro canal de comunicación utilizado por nuestra comunidad. El proyecto NumPy no organiza eventos en persona; sin embargo, los eventos relacionados con nuestra comunidad deben tener un código de conducta similar a este.</p>Código de Conducta de NumPy - Cómo hacer el seguimiento de un informehttps://numpy.org/es/report-handling-manual/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/report-handling-manual/<p>Este es el manual que sigue el Comité de Código de Conducta de NumPy. Se utiliza cuando respondemos a un problema, para asegurarnos de que seamos consistentes y justos.</p>
<p>Hacer cumplir el <a href="https://numpy.org/es/code-of-conduct/">Código de Conducta</a> impacta a nuestra comunidad hoy y en el futuro. Es una acción que no tomamos a la ligera. Al revisar las medidas de cumplimiento, el Comité de Código de Conducta tendrá en cuenta los siguientes valores y directrices:</p>Computación con Arregloshttps://numpy.org/es/arraycomputing/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/arraycomputing/<p><em>La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.</em></p>
<p>La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es <strong>Python.</strong></p>Comunidadhttps://numpy.org/es/community/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/community/<p>NumPy es un proyecto de código abierto impulsado por la comunidad y desarrollado por un grupo diverso de <a href="https://numpy.org/es/teams/">colaboradores</a>. El liderazgo de NumPy se ha comprometido firmemente a crear una comunidad abierta, inclusiva y positiva. Por favor, lee el <a href="https://numpy.org/es/code-of-conduct/">Código de Conducta de NumPy</a> para obtener orientación sobre cómo interactuar con los demás de una manera que haga que la comunidad prospere.</p>
-<p>Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.</p>Contribuye a NumPyhttps://numpy.org/es/contribute/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/contribute/<p>¡El proyecto NumPy agradece tu experiencia y entusiasmo! Tus opciones no se limitan a la programación. Como puedes ver más abajo, existen muchas áreas en las que necesitamos <strong>tu</strong> ayuda.</p>
+<p>Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.</p>Contribuye a NumPyhttps://numpy.org/es/contribute/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/contribute/<p>¡El proyecto NumPy agradece tu experiencia y entusiasmo!
+Tus opciones no se limitan a la programación. Como puedes ver más abajo, existen muchas áreas en las que necesitamos <strong>tu</strong> ayuda.</p>
<p>Si no estás seguro por dónde empezar o cómo encajan tus habilidades, <em>¡acércate!</em> Puedes preguntar en la <a href="https://mail.python.org/mailman/listinfo/numpy-discussion">lista de correos</a> o <a href="http://github.com/numpy/numpy">GitHub</a> (abre una <a href="https://github.com/numpy/numpy/issues">propuesta</a> o comenta en una relevante).</p>
<p>Estos son nuestros canales preferidos (el código abierto es abierto por naturaleza), pero si prefieres hablar de manera privada, contacta a nuestros coordinadores de la comunidad en <a href="mailto:numpy-team@googlegroups.com">numpy-team@googlegroups.com</a> o en <a href="https://numpy-team.slack.com">Slack</a> (escribe a <a href="mailto:numpy-team@googlegroups.com">numpy-team@googlegroups.com</a> para recibir una invitación).</p>ENCUESTA DE LA COMUNIDAD NUMPY 2020https://numpy.org/es/user-survey-2020/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/user-survey-2020/<p>En 2020, el equipo de encuestas de NumPy, en asociación con estudiantes y profesores de un curso de Maestría en Metodología de Encuestas organizado conjuntamente por la Universidad de Michigan y la Universidad de Maryland, llevaron a cabo la primera encuesta oficial de la comunidad NumPy. Más de 1,200 usuarios de 75 países participaron para ayudarnos a proyectar un panorama de la comunidad NumPy y expresaron sus pensamientos sobre el futuro del proyecto.</p>ENCUESTAS DE USUARIOS DE NUMPYhttps://numpy.org/es/user-surveys/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/user-surveys/<p><strong>2020</strong> El equipo de encuestas de NumPy, en asociación con estudiantes y profesores de la Universidad de Michigan y de la Universidad de Maryland, realizó la primera encuesta oficial de la comunidad de NumPy. Encuentra los resultados de la encuesta <a href="https://numpy.org/user-survey-2020/">aquí</a>.</p>
<p><strong>2021</strong> Los datos recolectados están siendo analizados actualmente.</p>
<p>Si tienes alguna pregunta o sugerencia sobre las encuestas pasadas o futuras, por favor abre una propuesta <a href="https://github.com/numpy/numpy-surveys/issues">aquí</a>.</p>Equipos de NumPyhttps://numpy.org/es/teams/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/teams/<p>Somos un equipo internacional en una misión para apoyar a las comunidades científicas y de investigaciones alrededor del mundo, mediante la construcción de software de código abierto de calidad.
¡<a href="https://numpy.org/es/contribute/">Únete</a>!</p>
<h3 id="mantenedores">Mantenedores<a class="headerlink" href="#mantenedores" title="Link to this heading">#</a></h3>
-<div class="sd-container-fluid sd-mb-4 false">
- <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-3 sd-g-md-4 sd-g-lg-5">
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
<div class="sd-col sd-d-flex-row">
<div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
@@ -541,8 +545,8 @@ Warren Weckesser
</div>
<h3 id="equipo-de-documentación">Equipo de documentación<a class="headerlink" href="#equipo-de-documentación" title="Link to this heading">#</a></h3>
-<div class="sd-container-fluid sd-mb-4 false">
- <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-3 sd-g-md-4 sd-g-lg-5">
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
<div class="sd-col sd-d-flex-row">
<div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
@@ -652,8 +656,8 @@ Ross Barnowski
</div>
<h3 id="equipo-de-la-página-web">Equipo de la página web<a class="headerlink" href="#equipo-de-la-página-web" title="Link to this heading">#</a></h3>
-<div class="sd-container-fluid sd-mb-4 false">
- <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-3 sd-g-md-4 sd-g-lg-5">
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
<div class="sd-col sd-d-flex-row">
<div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
@@ -793,8 +797,8 @@ Albert Steppi
</div>
<h3 id="equipo-de-clasificación">Equipo de clasificación<a class="headerlink" href="#equipo-de-clasificación" title="Link to this heading">#</a></h3>
-<div class="sd-container-fluid sd-mb-4 false">
- <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-3 sd-g-md-4 sd-g-lg-5">
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
<div class="sd-col sd-d-flex-row">
<div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
@@ -1219,8 +1223,8 @@ Zijie (ZJ) Poh
</div>
<h3 id="equipo-de-encuestas">Equipo de encuestas<a class="headerlink" href="#equipo-de-encuestas" title="Link to this heading">#</a></h3>
-<div class="sd-container-fluid sd-mb-4 false">
- <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-3 sd-g-md-4 sd-g-lg-5">
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
<div class="sd-col sd-d-flex-row">
<div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
@@ -1269,9 +1273,165 @@ Ross Barnowski
</div>
</div>
+<h3 id="equipo-de-traducciones">Equipo de traducciones<a class="headerlink" href="#equipo-de-traducciones" title="Link to this heading">#</a></h3>
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://avatars.githubusercontent.com/u/3949932?u=aacac68df60d2cf64c17c7e5aa17adf8b738aa7b&v=4" alt="Avatar of Melissa Weber Mendonça">
+
+
+
+Melissa Weber Mendonça
+ </div>
+ <a class="sd-stretched-link" href="https://github.com/melissawm"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of Juan Pablo Duque">
+
+
+
+Juan Pablo Duque (@juanpabloduqueo)
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of Yeimi Pena">
+
+
+
+Yeimi Pena (@yeimiyaz)
+ </div>
+ <a class="sd-stretched-link" href="https://www.linkedin.com/in/yeimipena/"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://avatars.githubusercontent.com/u/3813847?v=4" alt="Avatar of Atsushi Sakai">
+
+
+
+Atsushi Sakai (@AtsushiSakai)
+ </div>
+ <a class="sd-stretched-link" href="https://github.com/AtsushiSakai"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of Getúlio Silva">
+
+
+
+Getúlio Silva (@getuliosilva)
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Oriol Abril-Pla">
+
+
+
+Oriol Abril-Pla (@OriolAbril)
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of @julio">
+
+
+
+@julio
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of Ali Faraji">
+
+
+
+Ali Faraji (@ali)
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of Saeed Foroutan">
+
+
+
+Saeed Foroutan (@SaeedForoutan)
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ <div class="sd-col sd-d-flex-row">
+
+ <div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
+
+ <div class="sd-card-body">
+ <img src="https://raw.githubusercontent.com/numpy/numpy.org/refs/heads/main/static/images/logo.svg" alt="Avatar of @pyjavo">
+
+
+
+@pyjavo
+ </div>
+ <a class="sd-stretched-link" href="https://scientific-python.crowdin.com"></a>
+ </div>
+</div>
+
+ </div>
+</div>
+
<h3 id="mantenedores-eméritos">Mantenedores eméritos<a class="headerlink" href="#mantenedores-eméritos" title="Link to this heading">#</a></h3>
-<div class="sd-container-fluid sd-mb-4 false">
- <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-3 sd-g-md-4 sd-g-lg-5">
+<div class="sd-container-fluid sd-mb-4 false sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
+ <div class="sd-row sd-row-cols-2 sd-row-cols-xs-2 sd-row-cols-sm-3 sd-row-cols-md-4 sd-row-cols-lg-5 sd-g-2 sd-g-xs-2 sd-g-sm-2 sd-g-md-2 sd-g-lg-2">
<div class="sd-col sd-d-flex-row">
<div class="sd-card sd-w-100 sd-shadow-sm sd-card-hover text-center">
@@ -1422,13 +1582,16 @@ Travis E. Oliphant
</figure>
<blockquote cite="https://www.scoopwhoop.com/sports/ms-dhoni/">
- <p> No juegas para el público, juegas para el país.
+ <p>
+No juegas para el público, juegas para el país.
</p>
<p class="attribution">—M S Dhoni, <em>Jugador Internacional de críquet, ex-capitán del equipo de India, juega para Chennai Super Kings en IPL</em></p>
</blockquote>
<h2 id="acerca-del-críquet">Acerca del críquet<a class="headerlink" href="#acerca-del-críquet" title="Link to this heading">#</a></h2>
-<p>Sería una subestimación decir que a los indios les encanta el críquet. El juego se juega en casi todos los rincones de la India, rurales o urbanos, es popular entre los jóvenes y ancianos por igual, conectando miles de millones de personas en India como ningún otro deporte. El críquet disfruta de una gran atención mediática. Hay una cantidad importante de <a href="https://www.statista.com/topics/4543/indian-premier-league-ipl/">dinero</a> y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos, acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.</p>Estudio de Caso: Descubrimiento de Ondas Gravitacionaleshttps://numpy.org/es/case-studies/gw-discov/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/case-studies/gw-discov/<figure class="align-default" id="id000">
+<p>Sería una subestimación decir que a los indios les encanta el críquet. El juego se juega en casi todos los rincones de la India, rurales o urbanos, es popular entre los jóvenes y ancianos por igual, conectando miles de millones de personas en India como ningún otro deporte.
+El críquet disfruta de una gran atención mediática. Hay una cantidad importante de <a href="https://www.statista.com/topics/4543/indian-premier-league-ipl/">dinero</a> y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos,
+acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.</p>Estudio de Caso: Descubrimiento de Ondas Gravitacionaleshttps://numpy.org/es/case-studies/gw-discov/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/case-studies/gw-discov/<figure class="align-default" id="id000">
<img src="https://numpy.org/images/content_images/cs/gw_sxs_image.png" alt="coalescencia de un agujero negro binario generando ondas gravitacionales" class="align-center">
@@ -1439,16 +1602,37 @@ Travis E. Oliphant
</figure>
<blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs">
- <p> El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
+ <p>
+ El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
</p>
<p class="attribution">—David Shoemaker, <em>Colaboración científica LIGO</em></p>
</blockquote>
<h2 id="acerca-de-ondas-gravitacionales-y-ligo">Acerca de <a href="https://www.nationalgeographic.com/news/2017/10/what-are-gravitational-waves-ligo-astronomy-science/">Ondas Gravitacionales</a> y <a href="https://www.ligo.caltech.edu">LIGO</a><a class="headerlink" href="#acerca-de-ondas-gravitacionales-y-ligo" title="Link to this heading">#</a></h2>
-<p>Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por cataclismos en el universo, tales como la colisión y fusión de dos agujeros negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.</p>Historia de NumPyhttps://numpy.org/es/history/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/history/<p>NumPy es una librería fundamental de Python que proporciona estructuras de datos de arreglos y rutinas numéricas rápidas relacionadas. Cuando se puso en marcha, la librería contaba con escasos fondos y la escribían principalmente estudiantes de posgrado, muchos de ellos sin formación en ciencias de la computación y, a menudo, sin la bendición de sus asesores. Imaginar siquiera que un pequeño grupo de estudiantes programadores “rebeldes” pudiera derribar el ecosistema de software de investigación, ya establecido y respaldado por millones en financiación y cientos de ingenieros altamente cualificados, era absurdo. Sin embargo, las motivaciones filosóficas detrás de la pila de herramientas totalmente abierta, en combinación con una comunidad entusiasta y amigable con un enfoque singular, han demostrado ser favorable a largo plazo. Hoy en día, científicos, ingenieros y muchos otros profesionales en todo el mundo confían en NumPy. Por ejemplo, los scripts publicados usados en el análisis de ondas gravitacionales importan NumPy, y el proyecto de imagen del agujero negro M87 cita directamente a NumPy.</p>Instalando NumPyhttps://numpy.org/es/install/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/install/<p>El único prerrequisito para instalar NumPy es Python. Si aún no tienes Python y quieres la forma más sencilla de comenzar, te recomendamos que uses la <a href="https://www.anaconda.com/download">Distribución Anaconda</a> - incluye Python, NumPy y muchos otros paquetes comúnmente utilizados para la computación científica y la ciencia de datos.</p>
-<p>NumPy se puede instalar con <code>conda</code>, con <code>pip</code>, con un gestor de paquetes en macOS y Linux, o <a href="https://numpy.org/devdocs/building">a partir del código fuente</a>. Para instrucciones más detalladas, consulte nuestra <a href="https://numpy.org/es/install/#python-numpy-install-guide">guía de instalación de Python y NumPy</a> a continuación.</p>Kit de prensahttps://numpy.org/es/press-kit/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/press-kit/<p>Nos gustaría facilitarte el trabajo para incluir la identidad del proyecto NumPy en tu próximo documento académico, material de curso o presentación.</p>
-<p><a href="https://github.com/numpy/numpy/tree/main/branding/logo">Aquí</a> encontrarás varias versiones en alta resolución del logo de NumPy. Ten en cuenta que al utilizar los recursos de numpy.org, aceptas el <a href="https://numpy.org/es/code-of-conduct/">Código de Conducta de NumPy</a>.</p>Política de Privacidadhttps://numpy.org/es/privacy/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/privacy/<p><strong>numpy.org</strong> está operado por <a href="https://numfocus.org">NumFOCUS, Inc.</a>, el patrocinador fiscal del proyecto NumPy. Para ver la Política de Privacidad de este sitio web, por favor dirígete a <a href="https://numfocus.org/privacy-policy">https://numfocus.org/privacy-policy</a>.</p>
-<p>Si tienes alguna pregunta sobre la política o la recolección, uso y prácticas de divulgación de datos de NumFOCUS, por favor ponte en contacto con el personal de NumFOCUS en <a href="mailto:privacy@numfocus.org">privacy@numfocus.org</a>.</p>Quiénes Somoshttps://numpy.org/es/about/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/about/<p>NumPy es un proyecto de código abierto cuyo objetivo es permitir la computación numérica en Python. Fue creado en el 2005, a partir de los primeros trabajos de las bibliotecas Numeric y Numarray. NumPy siempre será un software 100% de código abierto y de uso libre para todos. Fue liberado bajo los términos liberales de la <a href="https://github.com/numpy/numpy/blob/main/LICENSE.txt">licencia BSD modificada</a>.</p>
-<p>NumPy es desarrollado de forma abierta en GitHub, mediante el consenso de las comunidades NumPy y Python científico en general. Para más información sobre nuestro enfoque de gobernanza, por favor consulta nuestro <a href="https://www.numpy.org/devdocs/dev/governance/index.html">Documento de Gobernanza</a>.</p>Terms of Usehttps://numpy.org/es/terms/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/terms/<p><em>Last updated January 4, 2020</em></p>
+<p>Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por
+cataclismos en el universo, tales como la colisión y fusión de dos agujeros
+negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.</p>Historia de NumPyhttps://numpy.org/es/history/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/history/<p>NumPy es una librería fundamental de Python que proporciona estructuras de datos de arreglos y rutinas numéricas rápidas relacionadas. Cuando se puso en marcha, la librería contaba con escasos fondos y la escribían principalmente estudiantes de posgrado, muchos de ellos sin formación en ciencias de la computación y, a menudo, sin la bendición de sus asesores. Imaginar siquiera que un pequeño grupo de estudiantes programadores “rebeldes” pudiera derribar el ecosistema de software de investigación, ya establecido y respaldado por millones en financiación y cientos de ingenieros altamente cualificados, era absurdo. Sin embargo, las motivaciones filosóficas detrás de la pila de herramientas totalmente abierta, en combinación con una comunidad entusiasta y amigable con un enfoque singular, han demostrado ser favorable a largo plazo. Hoy en día, científicos, ingenieros y muchos otros profesionales en todo el mundo confían en NumPy. Por ejemplo, los scripts publicados usados en el análisis de ondas gravitacionales importan NumPy, y el proyecto de imagen del agujero negro M87 cita directamente a NumPy.</p>Instalando NumPyhttps://numpy.org/es/install/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/install/<div class="admonition tip">
+ <div class="admonition-title"> Tip</div>
+ <p>
+ This page assumes you are comfortable using a terminal and are familiar with package managers.
+The only prerequisite for installing NumPy is Python itself. If you don’t have
+Python yet and want the simplest way to get started, we recommend you use the
+<a href="https://www.anaconda.com/download">Anaconda Distribution</a> - it includes
+Python, NumPy, and many other commonly used packages for scientific computing
+and data science.
+ </p>
+</div>
+
+<p>El método recomendado para instalar NumPy depende de tu flujo de trabajo preferido. A continuación, desglosamos los métodos de instalación en las siguientes categorías:</p>Kit de prensahttps://numpy.org/es/press-kit/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/press-kit/<p>Nos gustaría facilitarte el trabajo para incluir la identidad del proyecto NumPy en tu próximo documento académico, material de curso o presentación.</p>
+<p><a href="https://github.com/numpy/numpy/tree/main/branding/logo">Aquí</a> encontrarás varias versiones en alta resolución del logo de NumPy. Ten en cuenta que al utilizar los recursos de numpy.org, aceptas el <a href="https://numpy.org/es/code-of-conduct/">Código de Conducta de NumPy</a>.</p>NumPy Diversity and Inclusion Statementhttps://numpy.org/es/diversity_sep2020/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/diversity_sep2020/<p><em>In light of the foregoing discussion on social media after publication of the
+NumPy paper in Nature and the concerns raised about the state of diversity and
+inclusion on the NumPy team, we would like to issue the following statement:</em></p>
+<p>It is our strong belief that we are at our best, as a team and community, when
+we are inclusive and equitable. Being an international team from the onset, we
+recognize the value of collaborating with individuals from diverse backgrounds
+and expertise. A culture where everyone is welcomed, supported, and valued is
+at the core of the NumPy project.</p>Política de Privacidadhttps://numpy.org/es/privacy/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/privacy/<p><strong>numpy.org</strong> está operado por <a href="https://numfocus.org">NumFOCUS, Inc.</a>, el patrocinador fiscal del proyecto NumPy. Para ver la Política de Privacidad de este sitio web, por favor dirígete a <a href="https://numfocus.org/privacy-policy">https://numfocus.org/privacy-policy</a>.</p>
+<p>Si tienes alguna pregunta sobre la política o la recolección, uso y prácticas de divulgación de datos de NumFOCUS, por favor ponte en contacto con el personal de NumFOCUS en <a href="mailto:privacy@numfocus.org">privacy@numfocus.org</a>.</p>Quiénes somoshttps://numpy.org/es/about/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/about/<p>NumPy es un proyecto de código abierto cuyo objetivo es permitir la computación numérica en Python. Fue creado en el 2005, a partir de los primeros trabajos de las bibliotecas Numeric y Numarray. NumPy siempre será un software 100% de código abierto y de uso libre para todos. It is released under the liberal terms of the <a href="https://github.com/numpy/numpy/blob/main/LICENSE.txt">modified BSD license</a>.</p>
+<p>NumPy es desarrollado de forma abierta en GitHub, mediante el consenso de las comunidades NumPy y Python científico en general. For more information on our governance approach, please see our <a href="https://www.numpy.org/devdocs/dev/governance/index.html">Governance Document</a>.</p>Terms of Usehttps://numpy.org/es/terms/Mon, 01 Jan 0001 00:00:00 +0000https://numpy.org/es/terms/<p><em>Last updated January 4, 2020</em></p>
<h2 id="agreement-to-terms">AGREEMENT TO TERMS<a class="headerlink" href="#agreement-to-terms" title="Link to this heading">#</a></h2>
<p>These Terms of Use constitute a legally binding agreement made between you, whether personally or on behalf of an entity (“you”) and NumPy ("<strong>Project</strong>", “<strong>we</strong>”, “<strong>us</strong>”, or “<strong>our</strong>”), concerning your access to and use of the numpy.org website as well as any other media form, media channel, mobile website or mobile application related, linked, or otherwise connected thereto (collectively, the “Site”). You agree that by accessing the Site, you have read, understood, and agreed to be bound by all of these Terms of Use. IF YOU DO NOT AGREE WITH ALL OF THESE TERMS OF USE, THEN YOU ARE EXPRESSLY PROHIBITED FROM USING THE SITE AND YOU MUST DISCONTINUE USE IMMEDIATELY.</p>
\ No newline at end of file
diff --git a/es/install/index.html b/es/install/index.html
index 65ca01cd..8475d531 100644
--- a/es/install/index.html
+++ b/es/install/index.html
@@ -1,7 +1,9 @@
-NumPy - Instalando NumPy
El único prerrequisito para instalar NumPy es Python. Si aún no tienes Python y quieres la forma más sencilla de comenzar, te recomendamos que uses la Distribución Anaconda - incluye Python, NumPy y muchos otros paquetes comúnmente utilizados para la computación científica y la ciencia de datos.
Si utiliza conda, puede instalar NumPy desde los canales defaults o conda-forge:
# La mejor práctica, utilizar un entorno en lugar de instalar en el entorno base
-conda create -n my-env
+日本語 (Japanese)
Instalando NumPy
Instalando NumPy
Tip
This page assumes you are comfortable using a terminal and are familiar with package managers.
+The only prerequisite for installing NumPy is Python itself. If you don’t have
+Python yet and want the simplest way to get started, we recommend you use the
+Anaconda Distribution - it includes
+Python, NumPy, and many other commonly used packages for scientific computing
+and data science.
El método recomendado para instalar NumPy depende de tu flujo de trabajo preferido. A continuación, desglosamos los métodos de instalación en las siguientes categorías:
Basado en proyectos (por ejemplo, uv, pixi) (recomendado para nuevos usuarios)
Basado en entornos (por ejemplo, pip, conda) (el flujo de trabajo tradicional)
Administradores de paquetes de sistema(no recomendado para la mayoría de usuarios)
Construir a partir del código fuente(para usuarios avanzados y para fines de desarrollo)
Elija el método que mejor se adapte a sus necesidades. Si tienes dudas, comienza con el método basado en el entorno usando conda o pip.
Below are the different methods for installing NumPy. Click on the tabs to explore each method:
+
+
+
Las dos herramientas principales que instalan paquetes de Python son pip y conda. Sus funcionalidades se traslapan parcialmente (por ejemplo, ambas pueden instalar numpy); no obstante, también pueden trabajar conjuntamente. We’ll discuss the major differences between pip and conda here - this is important to understand if you want to manage packages effectively.
La primera diferencia radica en que conda es multi-lenguaje y puede instalar Python, mientras que pip es instalado para una versión particular de Python en su sistema e instala paquetes para esa misma versión de Python solamente. Esto también significa que conda puede instalar librerías
+que no sean de Python y herramientas que usted pueda necesitar (por ejemplo, compiladores, CUDA, HDF5), mientras que
+pip no.
The second difference is that pip installs from the Python Packaging Index (PyPI), while conda installs from its own channels (typically “defaults” or “conda-forge”). PyPI is the largest collection of packages by far, however, all popular packages are available for conda as well.
La tercera diferencia consiste en que conda es una solución integrada para gestionar paquetes, dependencias y entornos; mientras que con pip, podrías necesitar otra herramienta (¡hay muchas!) para manejar entornos o dependencias complejas.
Conda: Si utilizas conda, puedes instalar NumPy desde los canales predeterminados o los de conda-forge:
conda create -n my-env
conda activate my-env
-# Si desea instalar desde conda-forge
-conda config --env --add channels conda-forge
-# El comando de instalación
-conda install numpy
PIP
Si utiliza pip, puede instalar NumPy con:
pip install numpy
También al utilizar pip, es buena práctica utilizar un entorno virtual - vea Instalaciones Reproducibles a continuación para saber por qué, y esta guía para más detalles sobre el uso de entornos virtuales.
Instalar y administrar paquetes en Python es complicado, hay un número de soluciones alternativas para la mayoría de tareas. Esta guía intenta dar al lector una idea de las mejores (o más populares) soluciones y dar recomendaciones claras. Se enfoca en los usuarios de Python, NumPy y del stack de PyData (o computación numérica) en sistemas operativos y hardware comunes.
Empezaremos con recomendaciones basadas en el nivel de experiencia del usuario y el sistema operativo de interés. Si se encuentra entre “principiante” y “avanzado”, por favor diríjase a “principiante” si quiere mantener las cosas simples, y a “avanzado” si quiere trabajar de acuerdo a las mejores prácticas que le servirán de mucho en el futuro.
Instale Anaconda (esto instala todos los paquetes que necesita y todas las demás herramientas mencionadas a continuación).
Para escribir y ejecutar código, utilice notebooks en JupyterLab para computación exploratoria e interactiva, y Spyder o Visual Studio Code para escribir scripts y paquetes.
Utilice Anaconda Navigator para administrar sus paquetes e iniciar JupyterLab, Spyder o Visual Studio Code.
Mantenga el entorno conda base mínimo, y utilice uno o más entornos conda para instalar el paquete que necesite para la tarea o proyecto en que está trabajando.
Para usuarios que conocen, por preferencia personal o leyendo acerca de las diferencias principales entre conda y pip a continuación, y prefieren una solución basada en pip/PyPI, recomendamos:
Instalar Python desde python.org, Homebrew o su administrador de paquetes Linux.
Utilice Poetry como la herramienta mejor mantenida que proporciona una resolución de dependencias y capacidades de administración de entornos de forma similar a la que lo hace conda.
La gestión de los paquetes es un problema desafiante y, como resultado, hay muchas herramientas. Para desarrollo web y de propósito general en Python existe un completo conjunto de herramientas complementario a pip. Para computación de alto rendimiento (HPC), Spack amerita ser considerado. Sin embargo, para la mayoría de usuarios de NumPy, conda y pip son las dos herramientas más populares.
Las dos herramientas principales que instalan paquetes de Python son pip y conda. Sus funcionalidades se traslapan parcialmente (por ejemplo, ambas pueden instalar numpy); no obstante, también pueden trabajar conjuntamente. Discutiremos las principales diferencias entre pip y conda aquí - esto es importante comprenderlo si usted desea gestionar paquetes de manera efectiva.
La primera diferencia radica en que conda es multi-lenguaje y puede instalar Python, mientras que pip es instalado para una versión particular de Python en su sistema e instala paquetes para esa misma versión de Python solamente. Esto también significa que conda puede instalar librerías que no sean de Python y herramientas que usted pueda necesitar (por ejemplo, compiladores, CUDA, HDF5), mientras que pip no.
La segunda diferencia es que pip instala desde el Índice de Empaquetado de Python (PyPI - Python Packaging Index), mientras que conda instala desde sus propios canales (típicamente “defaults” o “conda-forge”). PyPI es, de lejos, la colección de paquetes más grande; sin embargo, todos los paquetes populares están también disponibles para conda.
La tercera diferencia consiste en que conda es una solución integrada para gestionar paquetes, dependencias y entornos; mientras que con pip, usted podría necesitar otra herramienta (hay muchas!) para manejar entornos o dependencias complejas.
En la medida en que las librerías son actualizadas, los resultados al correr su código pueden cambiar, o su código puede fallar por completo. Es importante que sea capaz de reconstruir el conjunto de paquetes y versiones que usted está utilizando. La mejor práctica es:
usar un entorno diferente por cada proyecto en el cual usted esté trabajando,
almacenar los nombres de paquetes y versiones utilizando su instalador de paquetes, cada uno de los cuales tiene su propio formato de metadata para esto:
Paquetes NumPy & librerías de álgebra lineal aceleradas#
NumPy no depende de ningún otro paquete de Python; sin embargo, sí depende de una librería de álgebra lineal acelerada - típicamente Intel MKL u OpenBLAS. Los usuarios no tienen que preocuparse por instalar éstas (se incluyen automáticamente en todos los métodos de instalación de NumPy). Los usuarios avanzados podrían querer, de todas maneras, conocer los detalles, ya que la utilización BLAS puede afectar el desempeño, comportamiento y tamaño en disco:
Las ruedas NumPy en PyPI, que son los que pip instala, están construidas con OpenBLAS. Las librerías de OpenBLAS están incluidas en la rueda. Esto vuelve a la rueda más grande, y si un usuario instala (por ejemplo) SciPy también, tendrá dos copias de OpenBLAS en disco.
En el canal defaults o predeterminado de conda, NumPy está basado en Intel MKL. MKL es un paquete separado que se instalará en el entorno de usuario al instalar NumPy.
En el canal conda-forge, Numpy está basado en un paquete “BLAS” ficticio o dummy. Cuando un usuario instala NumPy desde conda-forge, ese paquete BLAS es instalado junto con la librería - éste por defecto es OpenBLAS, pero también puede ser MKL (desde el canal defaults o predeterminado), o incluso BLIS o referencia BLAS.
El paquete MKL es mucho más grande que OpenBLAS, de alrededor de 700 MB en disco, mientras que OpenBLAS es aproximadamente de 30MB.
MKL es normalmente un poco más rápido y más robusto que OpenBLAS.
Además del tamaño de instalación, desempeño y robustez, hay dos aspectos más a considerar:
Intel MKL no es de código abierto. Para uso normal esto no es un problema, pero si un usuario necesita redistribuir una aplicación construida con NumPy, esto podría ser un inconveniente.
MKL y OpenBLAS utilizan funciones multihilo como np.dot, siendo el número de hilos determinado tanto por una opción de tiempo de compilación como por una variable de entorno. Todos los núcleos de la CPU usualmente serán utilizados. Esto es en ocasiones inesperado para los usuarios. NumPy en sí mismo no paraleliza automáticamente ninguna llamada a función. Normalmente produce un mejor rendimiento, pero también puede ser perjudicial - por ejemplo cuando se utiliza otro nivel de paralelización con Dask, el aprendizaje de la ciencia o multiprocesamiento.
No recomendado para la mayoría de los usuarios, pero disponible por conveniencia.
macOS (Homebrew):
brew install numpy
Linux (APT):
sudo apt install python3-numpy
Windows (Chocolatey):
choco install numpy
Para usuarios avanzados y desarrolladores que quieren personalizar o depurar NumPy.
Una palabra de advertencia: construir Numpy a partir del código fuente puede ser un ejercicio no trivial.
+En su lugar, recomendamos usar binarios si estos están disponibles para su plataforma, a través de uno de los métodos anteriores.
+Para obtener más información sobre cómo construir desde el código fuente, revisa la guía disponible en la documentación Numpy.
IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE!
-La importación de las extensiones-c de numpy falló. Este error puede ocurrir por varias razones, siendo frecuente debido a problemas con su configuración.
On this page
\ No newline at end of file
+Importing the numpy c-extensions failed. This error can happen for
+different reasons, often due to issues with your setup.
On this page
\ No newline at end of file
diff --git a/es/learn/index.html b/es/learn/index.html
index f1ce2759..44ce90d8 100644
--- a/es/learn/index.html
+++ b/es/learn/index.html
@@ -1,10 +1,13 @@
-NumPy - AprendeNumPy - Aprende
A continuación se muestra una colección de recursos educativos, tanto para el autoaprendizaje como para enseñar a otros, desarrollados por colaboradores de NumPy y aprobados por la comunidad.
NumPy Tutorials Una colección de tutoriales y materiales educativos en formato de cuadernos Jupyter desarrollados y mantenidos por el equipo de documentación de NumPy. Para enviar tu propio contenido, visita el repositorio numpy-tutorials en GitHub.
Elegant SciPypor Juan Nunez-Technesias, Stefan van der Walt, y Harriet Dashnow
También puedes echar un vistazo a esta lista de Goodreads sobre el tema “Python+SciPy”. La mayoría de esos libros son sobre el “ecosistema SciPy”, que tiene NumPy en su núcleo.
Pruebe estos recursos avanzados para comprender mejor los conceptos de NumPy como indexación avanzada, división, apilamiento, álgebra lineal y mucho más.
Tutoriales de NumPy Una colección de tutoriales y materiales educativos en formato de cuadernos Jupyter desarrollados y mantenidos por el equipo de documentación de NumPy. Para enviar tu propio contenido, visita el repositorio numpy-tutorials en GitHub.
A continuación se muestra una colección de recursos educativos, tanto para el autoaprendizaje como para enseñar a otros, desarrollados por colaboradores de NumPy y aprobados por la comunidad.
NumPy Tutorials Una colección de tutoriales y materiales educativos en formato de cuadernos Jupyter desarrollados y mantenidos por el equipo de documentación de NumPy. Para enviar tu propio contenido, visita el repositorio numpy-tutorials en GitHub.
Elegant SciPypor Juan Nunez-Technesias, Stefan van der Walt, y Harriet Dashnow
También puedes echar un vistazo a esta lista de Goodreads sobre el tema “Python+SciPy”. La mayoría de esos libros son sobre el “ecosistema SciPy”, que tiene NumPy en su núcleo.
Pruebe estos recursos avanzados para comprender mejor los conceptos de NumPy como indexación avanzada, división, apilamiento, álgebra lineal y mucho más.
NumPy Tutorials Una colección de tutoriales y materiales educativos en formato de cuadernos Jupyter desarrollados y mantenidos por el equipo de documentación de NumPy. Para enviar tu propio contenido, visita el repositorio numpy-tutorials en GitHub.