+src="/images/content_images/array_c_landscape.png"
+alt="arraycl"
+title="Panorama de la Computación con Arreglos" />
-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** 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 _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.
diff --git a/content/es/case-studies/blackhole-image.md b/content/es/case-studies/blackhole-image.md
index 57a3be4196..d604b3c4f1 100644
--- a/content/es/case-studies/blackhole-image.md
+++ b/content/es/case-studies/blackhole-image.md
@@ -4,51 +4,45 @@ sidebar: false
---
{{< figure >}}
-src = '/images/content_images/cs/blackhole.jpg'
-title = 'Agujero Negro M87'
-alt = 'Imagen de agujero negro'
-attribution = '(Créditos de la imagen: Colaboración del telescopio del Horizonte de Sucesos)'
-attributionlink = 'https://www.jpl.nasa.gov/images/universe/20190410/blackhole20190410.jpg'
{{< /figure >}}
-{{< blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs" by="Katie Bouman, *Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech*"
+{{< blockquote
+ cite="https://www.youtube.com/watch?v=BIvezCVcsYs"
+ by="{{< blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs" by="Katie Bouman, _Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech_""
>}}
-Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
{{< /blockquote >}}
## Un telescopio del tamaño de la Tierra
El [ Telescopio Event Horizon (EHT) ](https://eventhorizontelescope.org), 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][resolution] — ¡suficiente para leer un periódico en Nueva York desde un café en la acera en París!
-### Objetivos clave y resultados
+[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole
+
+### Objetivos y Resultados Clave
-* **Una nueva vista del universo:** El trabajo preliminar de la innovadora imagen de EHT se había establecido 100 años antes, cuando [Sir Arthur Eddington][eddington] dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.
+- **Una nueva vista del universo:** El trabajo preliminar de la innovadora imagen de EHT se había establecido 100 años antes, cuando [Sir Arthur Eddington][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](https://www.jpl.nasa.gov/news/news.php?feature=7385), pero nunca antes se había observado un agujero negro.
+- **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](https://www.jpl.nasa.gov/news/news.php?feature=7385), 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.
+- **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.
-### Los desafíos
+[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment
-* **Escala computacional**
+### Los Desafíos
- 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.
+- **Escala computacional**
-* **Demasiada información**
+ 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.
- 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.
+- **Demasiada información**
-* **Hacia lo desconocido**
+ 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.
- Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?
+- **Hacia lo desconocido**
+
+ Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?
{{< figure >}}
-src = '/images/content_images/cs/dataprocessbh.png'
-title = 'Flujo de Trabajo de Procesamiento de Datos EHT'
-alt = 'flujo de datos'
-align = 'center'
-attribution = '(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)'
-attributionlink = 'https://iopscience.iop.org/article/10.3847/2041-8213/ab0c57'
{{< /figure >}}
## El Rol de NumPy
@@ -60,36 +54,25 @@ La colaboración del EHT respondió a estos desafíos haciendo que los equipos i
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.
{{< figure >}}
-src = '/images/content_images/cs/bh_numpy_role.png'
-alt = 'rol de numpy'
-title = 'El rol de NumPy en la imagen del agujero negro'
{{< /figure >}}
-Por ejemplo, el paquete de Python [`eht-imaging`][ehtim] 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.
+Por ejemplo, el paquete de Python [`eht-imaging`][ehtim] 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.
{{< figure >}}
-src = '/images/content_images/cs/ehtim_numpy.png'
-alt = 'mapa de dependencias de ehtim resaltando a numpy'
-title = 'Gráfico de dependencias de software del paquete ehtim resaltando a NumPy'
{{< /figure >}}
-Además de NumPy, muchos otros paquetes, como [SciPy](https://scipy.org) y [Pandas](https://pandas.pydata.org), 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][astropy], mientras que [Matplotlib][mpl] fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.
+[ehtim]: https://github.com/achael/eht-imaging
+
+Además de NumPy, muchos otros paquetes, como [SciPy](https://scipy.org) y [Pandas](https://pandas.pydata.org), 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][astropy], mientras que [Matplotlib][mpl] fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.
+
+[astropy]: https://www.astropy.org/
+[mpl]: https://matplotlib.org/
## Resumen
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.
{{< figure >}}
-src = '/images/content_images/cs/numpy_dlc_benefits.png'
-alt = 'beneficios de numpy'
-title = 'Capacidades clave de NumPy utilizadas'
{{< /figure >}}
-
-[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole
-
-[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment
-
-[ehtim]: https://github.com/achael/eht-imaging
-
-[astropy]: https://www.astropy.org/
-[mpl]: https://matplotlib.org/
diff --git a/content/es/case-studies/cricket-analytics.md b/content/es/case-studies/cricket-analytics.md
index d19419ccdd..ac058367f6 100644
--- a/content/es/case-studies/cricket-analytics.md
+++ b/content/es/case-studies/cricket-analytics.md
@@ -4,83 +4,73 @@ sidebar: false
---
{{< figure >}}
-src = '/images/content_images/cs/ipl-stadium.png'
-title = 'IPLT20, el festival de críquet más grande en India'
-alt = 'Copa y estadio de la Premier League de Críquet de India'
-attribution = '(Créditos de imagen: IPLT20 (copa y logo) & Akash Yadav (estadio))'
-attributionlink = 'https://unsplash.com/@aksh1802'
{{< /figure >}}
-{{< blockquote cite="https://www.scoopwhoop.com/sports/ms-dhoni/" by="M S Dhoni, *Jugador Internacional de críquet, ex-capitán del equipo de India, juega para Chennai Super Kings en IPL*"
->}} No juegas para el público, juegas para el país.
+{{< blockquote
+ cite="}} No juegas para el público, juegas para el país."
+ by="{{< blockquote cite="https://www.scoopwhoop.com/sports/ms-dhoni/" by="M S Dhoni, _Jugador Internacional de críquet, ex-capitán del equipo de India, juega para Chennai Super Kings en IPL_""
+>}}
{{< /blockquote >}}
## Acerca del críquet
-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](https://www.statista.com/topics/4543/indian-premier-league-ipl/) 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.
+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](https://www.statista.com/topics/4543/indian-premier-league-ipl/) 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](https://en.wikipedia.org/wiki/Indian_Premier_League) 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](https://stats.espncricinfo.com/ci/engine/stats/index.html) y [cricsheet](https://cricsheet.org). Estas y muchas otras bases de datos de cricket se han utilizado para el [análisis de cricket](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances) 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:
+Hoy en día, hay abundantes y casi infinitos tesoros de registros y estadísticas de juegos de críquet disponibles, por ejemplo, en [ESPN cricinfo](https://stats.espncricinfo.com/ci/engine/stats/index.html) y [cricsheet](https://cricsheet.org). Estas y muchas otras bases de datos de cricket se han utilizado para el [análisis de cricket](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances) 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
+- 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
{{< figure >}}
-src = '/images/content_images/cs/cricket-pitch.png'
-title = 'El campo de críquet, el punto focal en el terreno de juego'
-alt = 'Un campo de cricket con lanzador y bateadores'
-align = 'center'
-attribution = '(Image credit: Debarghya Das)'
-attributionlink = 'http://debarghyadas.com/files/IPLpaper.pdf'
{{< /figure >}}
### Objetivos Clave de Análisis de Datos
-* El análisis de datos deportivos se utiliza no solo en el críquet, sino en muchos [otros deportes](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) 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.
+- El análisis de datos deportivos se utiliza no solo en el críquet, sino en muchos [otros deportes](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) 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.
{{< figure >}}
-src = '/images/content_images/cs/player-pose-estimator.png'
-alt = 'estimador de postura'
-title = 'Estimador de postura en críquet'
-attribution = '(Crédito de imagen: connect.vin)'
-attributionlink = 'https://connect.vin/2019/05/ai-for-cricket-batsman-pose-analysis/'
{{< /figure >}}
### Los Desafíos
-* **Limpieza de datos y preprocesamiento**
+- **Limpieza de datos y preprocesamiento**
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**
+- **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**
+- **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.
+ 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 Papel de NumPy en el Análisis del Críquet
El análisis deportivo es un campo en desarrollo. Muchos investigadores y compañías [utilizan NumPy](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) 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](https://amplitude.com/blog/2017/01/19/causation-correlation) y los [enfoques de big data](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/) se utilizan para el análisis táctico.
+- **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](https://amplitude.com/blog/2017/01/19/causation-correlation) y los [enfoques de big data](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/) se utilizan para el análisis táctico.
-* **Visualización de Datos:** La creación de gráficos y la [visualización de datos](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) proporcionan información útil sobre la relación entre varios conjuntos de datos.
+- **Visualización de Datos:** La creación de gráficos y la [visualización de datos](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) proporcionan información útil sobre la relación entre varios conjuntos de datos.
## Resumen
-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.
+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.
{{< figure >}}
-src = '/images/content_images/cs/numpy_ca_benefits.png'
-alt = 'Diagrama que muestra los beneficios de usar NumPy para análisis de críquet'
-title = 'Capacidades claves de NumPy utilizadas'
{{< /figure >}}
diff --git a/content/es/case-studies/deeplabcut-dnn.md b/content/es/case-studies/deeplabcut-dnn.md
index 1281521f73..2a92abd6bf 100644
--- a/content/es/case-studies/deeplabcut-dnn.md
+++ b/content/es/case-studies/deeplabcut-dnn.md
@@ -4,15 +4,12 @@ sidebar: false
---
{{< figure >}}
-src = '/images/content_images/cs/mice-hand.gif'
-title = 'Analizar movimiento de las manos de los ratones usando DeepLapCut'
-alt = 'micehandanim'
-attribution = '(Fuente: www.deeplabcut.org )'
-attributionlink = 'http://www.mousemASElab.org/deeplabcut'
{{< /figure >}}
-{{< blockquote cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/" by="Alexander Mathis, *Profesor Asistente, Escuela Politécnica Federal de Lausana* ([EPFL](https://www.epfl.ch/en/))"
->}} El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
+{{< blockquote
+ cite="{{< blockquote cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/" by="Alexander Mathis, _Profesor Asistente, Escuela Politécnica Federal de Lausana_ ([EPFL](https://www.epfl.ch/en/))""
+ by="Alexander Mathis, _Assistant Professor, École polytechnique fédérale de Lausanne_ ([EPFL](https://www.epfl.ch/en/))"
+>}}
{{< /blockquote >}}
## Acerca de DeepLabCut
@@ -22,27 +19,25 @@ attributionlink = 'http://www.mousemASElab.org/deeplabcut'
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.
{{< figure >}}
-src = '/images/content_images/cs/race-horse.gif'
-title = 'Puntos de colores rastrean las posiciones de una parte del cuerpo de un caballo de carreras'
-alt = 'horserideranim'
-attribution = '(Fuente: Mackenzie Mathis)'
{{< /figure >}}
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][cheetah-movement].
-DeepLabCut utiliza un principio llamado [aprendizaje por transferencia](https://arxiv.org/pdf/1909.11229), 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](https://arxiv.org/abs/1605.03170), 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.
+[cheetah-movement]: https://www.technologynetworks.com/neuroscience/articles/interview-a-deeper-cut-into-behavior-with-mackenzie-mathis-327618
+
+DeepLabCut utiliza un principio llamado [aprendizaje por transferencia](https://arxiv.org/pdf/1909.11229), 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](http://www.mousemotorlab.org/dlc-modelzoo), 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.
+Recientemente, se presentó el [modelo zoo de DeepLabCut](https://deeplabcut.github.io/DeepLabCut/docs/ModelZoo.html) 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.
### Objetivos y Resultados Clave
-* **Automatización del análisis de la postura animal para estudios científicos:**
+- **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](https://www.biorxiv.org/content/10.1101/457242v1) 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:**
+- **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.
@@ -56,35 +51,27 @@ Recientemente, se presentó el [modelo zoo de DeepLabCut](http://www.mousemotorl
- graficar las inferencias utilizando herramientas de visualización integradas
{{< figure >}}
-src = '/images/content_images/cs/deeplabcut-toolkit-steps.png'
-title = 'Pasos de estimación de la postura con DeepLabCut'
-alt = 'dlcsteps'
-align = 'center'
-attribution = '(Source: DeepLabCut)'
-attributionlink = 'https://twitter.com/DeepLabCut/status/1198046918284210176/photo/1'
{{< /figure >}}
+[DLCToolkit]: https://github.com/DeepLabCut/DeepLabCut
+
### Los Desafíos
-* **Velocidad**
+- **Velocidad**
- 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.
+ 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**
+- **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.
+ 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**
+- **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.
+ 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.
{{< figure >}}
-src = '/images/content_images/cs/pose-estimation.png'
-title = 'Estimación de variedad y complejidad de postura'
-alt = 'challengesfig'
-align = 'center'
-attribution = '(Fuente: Mackenzie Mathis)'
-attributionlink = 'https://www.iorxiv.org/content/10.1101/476531v1.full.pdf'
{{< /figure >}}
## El Papel de NumPy para afrontar los desafíos de la estimación de postura
@@ -93,32 +80,21 @@ NumPy aborda la necesidad central de la tecnología de DeepLabCut de realizar c
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
+- 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".
{{< figure >}}
-src = '/images/content_images/cs/deeplabcut-workflow.png'
-title = 'Flujo de Trabajo de DeepLabCut'
-alt = 'flujo de trabajo'
-attribution = '(Fuente: Mackenzie Mathis)'
-attributionlink = 'https://www.researchgate.net/figure/DeepLabCut-work-flow-The-diagram-delineates-the-work-flow-as-well-as-the-directory-and_fig1_329185962'
{{< /figure >}}
## Resumen
-Observar y describir eficientemente el comportamiento es un punto central de la etología moderna, neurociencia, medicina y tecnología. [DeepLabCut](http://orga.cvss.cc/wp-content/uploads/2019/05/NathMathis2019.pdf) 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.
+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.
{{< figure >}}
-src = '/images/content_images/cs/numpy_dlc_benefits.png'
-alt = 'beneficios de NumPy'
-title = 'Capacidades claves utilizadas de NumPy'
{{< /figure >}}
-
-[cheetah-movement]: https://www.technologynetworks.com/neuroscience/articles/interview-a-deeper-cut-into-behavior-with-mackenzie-mathis-327618
-
-[DLCToolkit]: https://github.com/DeepLabCut/DeepLabCut
diff --git a/content/es/case-studies/gw-discov.md b/content/es/case-studies/gw-discov.md
index a812b08da2..4b112eabdf 100644
--- a/content/es/case-studies/gw-discov.md
+++ b/content/es/case-studies/gw-discov.md
@@ -4,88 +4,81 @@ sidebar: false
---
{{< figure >}}
-src = '/images/content_images/cs/gw_sxs_image.png'
-title = 'Ondas Gravitacionales'
-alt = 'coalescencia de un agujero negro binario generando ondas gravitacionales'
-attribution= '(Créditos de imagen: El proyecto Simulación de Espacio-tiempos eXtreme (SXS) en LIGO)'
-attributionlink = 'https://youtu.be/Zt8Z_uzG71o'
{{< /figure >}}
-{{< blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs" by="David Shoemaker, *Colaboración científica LIGO*" >}} El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
+{{< blockquote
+ cite="https://www.youtube.com/watch?v=BIvezCVcsYs"
+ by="David Shoemaker, _Colaboración científica LIGO_" >}}
{{< /blockquote >}}
## Acerca de [Ondas Gravitacionales](https://www.nationalgeographic.com/news/2017/10/what-are-gravitational-waves-ligo-astronomy-science/) y [LIGO](https://www.ligo.caltech.edu)
-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)](https://www.ligo.caltech.edu) 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.
+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)](https://www.ligo.caltech.edu) 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.
### Objetivos Clave
-* Aunque su [misión](https://www.ligo.caltech.edu/page/what-is-ligo) 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.
-
-
+- Aunque su [misión](https://www.ligo.caltech.edu/page/what-is-ligo) 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.
-### Los desafíos
+### Los Desafíos
-* **Cálculo**
+- **Cálculo**
- 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](https://youtu.be/7mcHknWWzNI), distribuidas en 6 clústeres dedicados de LIGO
+ 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](https://youtu.be/7mcHknWWzNI), distribuidas en 6 clústeres dedicados de LIGO
-* **Avalancha de Datos**
+- **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.
+ 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**
+- **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.
+ 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.
{{< figure >}}
-src = '/images/content_images/cs/gw_strain_amplitude.png'
-alt = 'amplitud de deformación de ondas gravitacionales'
-title = 'Amplitud de deformación de ondas gravitacionales estimada de GW150914'
-attribution = '(Créditos del gráfico: Observación de Ondas Gravitacionales de la Fusión de un Agujero Negro Binario, Publicación de ResearchGate)'
-attributionlink = 'https://www.researchgate.net/publication/293886905_Observation_of_Gravitational_Waves_from_a_Binary_Black_Hole_Merger'
{{< /figure >}}
## 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.
+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:
+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:
-* [Procesamiento de Señales](https://www.uv.es/virgogroup/Denoising_ROF.html): Detección de fallos, [Identificación de ruido y caracterización de datos](https://ep2016.europython.eu/media/conference/slides/pyhton-in-gravitational-waves-research-communities.pdf) (NumPy, scikit-learn, scipy, matplotlib, pandas, pyCharm)
-* 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
+- [Procesamiento de Señales](https://www.uv.es/virgogroup/Denoising_ROF.html): Detección de fallos, [Identificación de ruido y caracterización de datos](https://ep2016.europython.eu/media/conference/slides/pyhton-in-gravitational-waves-research-communities.pdf) (NumPy, scikit-learn, scipy, matplotlib, pandas, pyCharm)
+- 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](https://github.com/lscsoft) desarrollado en análisis de datos de Ondas Gravitacionales como, tales como [GwPy](https://gwpy.github.io/docs/stable/overview.html) y [PyCBC](https://pycbc.org) 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.
+- Cálculo de Correlaciones
+- [Software clave](https://github.com/lscsoft) desarrollado en análisis de datos de Ondas Gravitacionales como [GwPy](https://gwpy.github.io/docs/stable/overview.html) y [PyCBC](https://pycbc.org) 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.
{{< figure >}}
-src = '/images/content_images/cs/gwpy-numpy-dep-graph.png'
-alt = 'gwpy-numpy depgraph'
-title = 'Gráfico de dependencias que muestra cómo depende el paquete GwPy de NumPy'
{{< /figure >}}
----
{{< figure >}}
-src = '/images/content_images/cs/PyCBC-numpy-dep-graph.png'
-alt = 'PyCBC-numpy depgraph'
-title = 'Gráfico de dependencias que muestra cómo el paquete PyCBC depende de NumPy'
{{< /figure >}}
## Resumen
-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](https://www.gw-openscience.org/events/GW150914/) responder preguntas complejas y descubrir nuevos horizontes en nuestra comprensión del universo.
+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](https://www.gw-openscience.org/events/GW150914/) responder preguntas complejas y descubrir nuevos horizontes en nuestra comprensión del universo.
{{< figure >}}
-src = '/images/content_images/cs/numpy_gw_benefits.png'
-alt = 'beneficios de NumPy'
-title = 'Capacidades clave de NumPy utilizadas'
{{< /figure >}}
diff --git a/content/es/citing-numpy.md b/content/es/citing-numpy.md
index 9ba1ad4b92..a629012075 100644
--- a/content/es/citing-numpy.md
+++ b/content/es/citing-numpy.md
@@ -1,16 +1,16 @@
---
title: Citando a NumPy
-sidebar: falso
+sidebar: false
---
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](https://doi.org/10.1038/s41586-020-2649-2). ([Publisher link](https://www.nature.com/articles/s41586-020-2649-2)).
+- 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](https://doi.org/10.1038/s41586-020-2649-2). ([Publisher link](https://www.nature.com/articles/s41586-020-2649-2)).
_En formato BibTeX:_
- ```
-@Article{ harris2020array,
+ ```
+ @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
@@ -31,5 +31,5 @@ _En formato BibTeX:_
doi = {10.1038/s41586-020-2649-2},
publisher = {Springer Science and Business Media {LLC}},
url = {https://doi.org/10.1038/s41586-020-2649-2}
-}
-```
+ }
+ ```
diff --git a/content/es/code-of-conduct.md b/content/es/code-of-conduct.md
index cebd773364..3007bf60b5 100644
--- a/content/es/code-of-conduct.md
+++ b/content/es/code-of-conduct.md
@@ -22,16 +22,16 @@ Nos esforzamos por:
3. 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.
4. 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.
5. 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.
+ - 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.
### Declaración de Diversidad
@@ -53,9 +53,9 @@ Puede informar de los problemas al Comité de Código de Conducta de NumPy en nu
Actualmente, el Comité está compuesto por:
-* Stefan van der Walt
-* Melissa Weber Mendonça
-* Rohit Goswami
+- Stefan van der Walt
+- Melissa Weber Mendonça
+- Rohit Goswami
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](https://numfocus.org/code-of-conduct#persons-responsible).
@@ -72,7 +72,7 @@ En casos que no impliquen violaciones claras y graves u obvias de este Código d
1. acusar recibo del informe,
2. una discusión/retroalimentación razonable,
3. mediación (si la retroalimentación no fue útil, y únicamente si tanto el denunciante como el denunciado están de acuerdo con ello),
-4. aplicación a través de una decisión transparente (ver [Resoluciones](report-handling-manual/#resoluciones)) por parte del Comité de Código de conducta.
+4. aplicación a través de una decisión transparente (ver [Resoluciones](report-handling-manual/#resolutions)) 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.
diff --git a/content/es/community.md b/content/es/community.md
index f96474c060..c14444f7e8 100644
--- a/content/es/community.md
+++ b/content/es/community.md
@@ -7,15 +7,15 @@ NumPy es un proyecto de código abierto impulsado por la comunidad y desarrollad
Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.
-
## Participa en línea
-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](/gethelp)._
-
+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](/gethelp)._
### [Lista de correo de NumPy](https://mail.python.org/mailman/listinfo/numpy-discussion)
-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.
+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](https://mail.python.org/archives/list/numpy-discussion@python.org/).
@@ -33,8 +33,9 @@ _Ten en cuenta que GitHub no es el lugar adecuado para reportar una vulnerabilid
### [Slack](https://numpy-team.slack.com)
-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](https://numpy.org/devdocs/dev/index.html#contributing-to-numpy) para más detalles, y sobre cómo obtener una invitación.
-
+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](https://numpy.org/devdocs/dev/index.html#contributing-to-numpy) para más detalles, y sobre cómo obtener una invitación.
## Grupos de Estudio y Reuniones
@@ -42,21 +43,19 @@ Si desea encontrar un grupo de estudio o reunión local para aprender más sobre
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](https://mail.python.org/mailman/listinfo/numpy-discussion) y en [X (antes conocido como Twitter)](https://twitter.com/numpy_team).
-
## Conferencias
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](https://conference.scipy.org)
-- [EuroSciPy](https://www.euroscipy.org)
-- [SciPy Latinoamérica](https://www.scipyla.org)
-- [SciPy India](https://scipy.in)
-- [SciPy Japan](https://conference.scipy.org)
-- [Conferencias PyData](https://pydata.org/event-schedule/) (de 15 a 20 eventos al año, repartidos entre muchos países)
+- 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.
-
## Únete a la comunidad NumPy
Para prosperar, el proyecto NumPy necesita tu experiencia y entusiasmo. ¿No sabes programar? ¡No es un problema! Hay muchas maneras de contribuir a NumPy.
diff --git a/content/es/config.yaml b/content/es/config.yaml
index 0357ec74f6..06e8daafbf 100644
--- a/content/es/config.yaml
+++ b/content/es/config.yaml
@@ -1,109 +1,109 @@
-languageName: Español
+languageName: Inglés
params:
description: '¿Por qué NumPy? Potentes arreglos n-dimensionales. Herramientas de cálculo numérico. Interoperabilidad. Rendimiento. Código abierto.'
navbarlogo:
image: logo.svg
text: NumPy
- link: /es/
+ link: /
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
+ # Where the main hero button links to
buttonlink: "/news/#releases"
- #Hero image (from static/images/___)
+ # 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: /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: /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: /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: /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: /install
+ - title: Documentación
+ url: https://numpy.org/doc/stable
+ - title: Aprende
+ url: /learn
+ - title: Comunidad
+ url: /community
+ - title: Quiénes somos
+ url: /about
+ - title: Noticias
+ url: /news
+ - title: Contribuye
+ url: /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: ""
links:
- text: Instalar
- link: /es/install
+ link: /install
- text: Documentación
link: https://numpy.org/doc/stable
- text: Aprende
- link: /es/learn
+ link: /learn
- text: Citando a NumPy
- link: /es/citing-numpy
+ link: /citing-numpy
- text: Mapa de ruta
link: https://numpy.org/neps/roadmap.html
column2:
links:
- text: Acerca de nosotros
- link: /es/about
+ link: /about
- text: Comunidad
- link: /es/community
+ link: /community
- text: Encuestas a usuarios
- link: /es/user-surveys
+ link: /user-surveys
- text: Contribuye
- link: /es/contribute
+ link: /contribute
- text: Código de Conducta
- link: /es/code-of-conduct
+ link: /code-of-conduct
column3:
links:
- text: Buscar ayuda
- link: /es/gethelp
+ link: /gethelp
- text: Términos de uso
- link: /es/terms
+ link: /terms
- text: Confidencialidad
- link: /es/privacy
+ link: /privacy
- text: Kit de prensa
- link: /es/press-kit
+ link: /press-kit
diff --git a/content/es/contribute.md b/content/es/contribute.md
index 3ae6a32d18..dd104ebd4b 100644
--- a/content/es/contribute.md
+++ b/content/es/contribute.md
@@ -3,38 +3,48 @@ title: Contribuye a NumPy
sidebar: false
---
-¡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.
+¡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](https://mail.python.org/mailman/listinfo/numpy-discussion) o [GitHub](http://github.com/numpy/numpy) (abre una [propuesta](https://github.com/numpy/numpy/issues) 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 También revisa nuestro [canal de YouTube](https://www.youtube.com/playlist?list=PLCK6zCrcN3GXBUUzDr9L4__LnXZVtaIzS) por consejos adicionales. ### Revisando solicitudes de cambios + 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 -* probar los cambios propuestos + +- resumir un debate extenso +- categorizar documentación de solicitudes de incorporación de cambios +- probar los cambios propuestos ### Creando material educativo -La [Guía de usuario](https://numpy.org/devdocs) 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](https://numpy.org/neps/nep-0044-restructuring-numpy-docs.html) expone nuestras ideas -- y tal vez tú puedas tener otras. +La [Guía de usuario](https://numpy.org/devdocs) 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](https://numpy.org/neps/nep-0044-restructuring-numpy-docs.html) expone nuestras ideas -- y tal vez tú puedas tener otras. ### Clasificación de propuestas El [rastreador de propuestas de NumPy](https://github.com/numpy/numpy/issues) 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) +- 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) Por favor, solo sumérgete. @@ -44,7 +54,8 @@ Acabamos de renovar nuestro sitio web, pero aún no hemos terminado. Si te gusta ### Diseño gráfico -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. +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. ### Traduciendo el contenido de la página web @@ -56,10 +67,12 @@ A través del contacto con la comunidad compartimos nuestro trabajo más ampliam ### Recaudación de fondos -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](https://www.youtube.com/watch?v=dBTJD_FDVjU) 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. +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. ### Donar -Si deseas contribuir a NumPy haciendo una donación, visita [https://numpy.org/about/#donate](https://numpy.org/about/#donate) +Si deseas contribuir a NumPy haciendo una donación, visita https://numpy.org/about/#donate. diff --git a/content/es/diversity_sep2020.md b/content/es/diversity_sep2020.md new file mode 100644 index 0000000000..4f7900c079 --- /dev/null +++ b/content/es/diversity_sep2020.md @@ -0,0 +1,99 @@ +--- +title: NumPy Diversity and Inclusion Statement +sidebar: false +--- + + +_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. + +## The Past + +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](https://opensourcesurvey.org/2017/) and +[this blog post](https://medium.com/tech-diversity-files/if-you-think-women-in-tech-is-just-a-pipeline-problem-you-haven-t-been-paying-attention-cb7a2073b996)). + +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](https://figshare.com/articles/online_resource/Diversity_and_Inclusion_Statement_NumPy_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/12980852) +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. + +## The Present + +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. + +## The Future + +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. + +Please get in touch with us on [our mailing list](https://scipy.org/scipylib/mailing-lists.html#mailing-lists), +[GitHub](https://github.com/numpy/numpy/issues), [Slack](https://numpy.org/contribute/), +in private at numpy-team@googlegroups.com, or join our +[bi-weekly community meeting](https://hackmd.io/76o-IxCjQX2mOXO_wwkcpg). + + +_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_ + diff --git a/content/es/gethelp.md b/content/es/gethelp.md index e05dad4c51..b875743dea 100644 --- a/content/es/gethelp.md +++ b/content/es/gethelp.md @@ -1,6 +1,6 @@ --- title: Buscar Ayuda -sidebar: falso +sidebar: false --- **Problemas de desarrollo:** Para asuntos relacionados con el desarrollo de NumPy (por ejemplo, informes de errores), por favor consulte la sección de [Comunidad](/community). diff --git a/content/es/history.md b/content/es/history.md index 455aecff89..09c7037078 100644 --- a/content/es/history.md +++ b/content/es/history.md @@ -1,6 +1,6 @@ --- title: Historia de NumPy -sidebar: falso +sidebar: false --- 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. @@ -9,13 +9,13 @@ Para conocer en profundidad los hitos en el desarrollo de NumPy y las librerías Si deseas obtener una copia de las librerías originales Numeric y Numarray, sigue los siguientes enlaces: -[Página de Descarga de *Numeric*](https://sourceforge.net/projects/numpy/files/Old%20Numeric/)* +[Página de Descarga de _Numeric_](https://sourceforge.net/projects/numpy/files/Old%20Numeric/)\* -[Página de Descarga de *Numarray*](https://sourceforge.net/projects/numpy/files/Old%20Numarray/)* +[Página de Descarga de _Numarray_](https://sourceforge.net/projects/numpy/files/Old%20Numarray/)\* -*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. +\*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. ### Documentación Histórica -[Descarga el Manual de *`Numeric'*](static/numeric-manual.pdf) +[Descarga el Manual de _\`Numeric'_](static/numeric-manual.pdf) diff --git a/content/es/install.md b/content/es/install.md index 2c709bd013..0587a1c07f 100644 --- a/content/es/install.md +++ b/content/es/install.md @@ -3,115 +3,126 @@ title: Instalando NumPy sidebar: false --- -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](https://www.anaconda.com/download) - incluye Python, NumPy y muchos otros paquetes comúnmente utilizados para la computación científica y la ciencia de datos. +{{< admonition >}} +{{< /admonition >}} -NumPy se puede instalar con `conda`, con `pip`, con un gestor de paquetes en macOS y Linux, o [a partir del código fuente](https://numpy.org/devdocs/building). Para instrucciones más detalladas, consulte nuestra [guía de instalación de Python y NumPy](#python-numpy-install-guide) a continuación. +El método recomendado para instalar NumPy depende de tu flujo de trabajo preferido. A continuación, desglosamos los métodos de instalación en las siguientes categorías: -**CONDA** +- **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)_ -Si utiliza `conda`, puede instalar NumPy desde los canales `defaults` o `conda-forge`: +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`. -```bash -# La mejor práctica, utilizar un entorno en lugar de instalar en el entorno base -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: - -```bash -pip install numpy -``` -También al utilizar pip, es buena práctica utilizar un entorno virtual - vea [Instalaciones Reproducibles](#reproducible-installs) a continuación para saber por qué, y [esta guía](https://dev.to/bowmanjd/python-tools-for-managing-virtual-environments-3bko#howto) para más detalles sobre el uso de entornos virtuales. - - - - -# Guía de instalación de Python y NumPy - -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. - -## Recomendaciones +{{< tabs >}} -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. +[[tab]] +name = 'Basado en proyectos' +contenido = ''' -### Usuarios principiantes +Recomendado para usuarios que quieran un flujo de trabajo simplificado. -Tanto en Windows, macOS y Linux: +- **uv:** Un gestor de paquetes de Python moderno diseñado para velocidad y simplicidad. + ```bash + uv pip install numpy + ``` -- Instale [Anaconda](https://www.anaconda.com/download) (esto instala todos los paquetes que necesita y todas las demás herramientas mencionadas a continuación). -- Para escribir y ejecutar código, utilice notebooks en [JupyterLab](https://jupyterlab.readthedocs.io/en/stable/index.html) para computación exploratoria e interactiva, y [Spyder](https://www.spyder-ide.org/) o [Visual Studio Code](https://code.visualstudio.com/) para escribir scripts y paquetes. -- Utilice [Anaconda Navigator](https://docs.anaconda.com/anaconda/navigator/) para administrar sus paquetes e iniciar JupyterLab, Spyder o Visual Studio Code. +- **pixi:** Un administrador de paquetes multiplataforma para Python y otros lenguajes. + ```bash + pixi add numpy + ``` - -### Usuarios avanzados - -#### Conda - -- Instale [Miniforge](https://github.com/conda-forge/miniforge). -- Mantenga el entorno conda `base` mínimo, y utilice uno o más [entornos conda](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html) para instalar el paquete que necesite para la tarea o proyecto en que está trabajando. - -#### Alternativa si prefiere pip/PyPI +''' 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](https://www.python.org/downloads/), [Homebrew](https://brew.sh/) o su administrador de paquetes Linux. -- Utilice [Poetry](https://python-poetry.org/) 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. - -## Gestión de paquetes de Python +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. Para computación de alto rendimiento (HPC), Spack amerita ser considerado. -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 ](https://packaging.python.org/guides/tool-recommendations/)complementario a pip. Para computación de alto rendimiento (HPC), [Spack](https://github.com/spack/spack) amerita ser considerado. Sin embargo, para la mayoría de usuarios de NumPy, [conda](https://conda.io/en/latest/) y [pip](https://pip.pypa.io/en/stable/) son las dos herramientas más populares. +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 y solamente instala paquetes para esa misma versión de Python. Sus funcionalidades se traslapan parcialmente (por ejemplo, ambas pueden instalar
numpy); no obstante, también pueden trabajar conjuntamente.
+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.
-### Pip & conda
+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.
-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.
+- **Conda:** Si utilizas conda, puedes instalar NumPy desde los canales predeterminados o los de conda-forge:
+ ```bash
+ # La mejor práctica, utilizar un entorno en lugar de instalar en el entorno base
+ 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:**
+ ```bash
+ pip install numpy
+ ```
-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.
+{{< admonition >}}
+{{< /admonition >}}
-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.
+ ```bash
+ python -m venv my-env
+ source my-env/bin/activate # macOS/Linux
+ my-env\Scripts\activate # Windows
+ pip install numpy
+ ```
-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.
+'''
-
+[[tab]]
+name = 'Administradores de paquetes de sistema'
+content = '''
+No recomendado para la mayoría de los usuarios, pero disponible por conveniencia.
-### Instalaciones reproducibles
+**macOS (Homebrew):**
-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:
+```bash
+# La mejor práctica, utilizar un entorno en lugar de instalar en el entorno base
+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
+```
-1. usar un entorno diferente por cada proyecto en el cual usted esté trabajando,
-2. 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:
- - Conda: [entornos conda y environment.yml](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html)
- - Pip: [entornos virtuales](https://docs.python.org/3/tutorial/venv.html) y [requirements.txt](https://pip.readthedocs.io/en/latest/user_guide/#requirements-files)
- - Poetry: [entornos virtuales y pyproject.toml](https://python-poetry.org/docs/basic-usage/)
+**Linux (APT):**
+```bash
+```
-## Paquetes NumPy & librerías de álgebra lineal aceleradas
+**Windows (Chocolatey):**
-NumPy no depende de ningún otro paquete de Python; sin embargo, sí depende de una librería de álgebra lineal acelerada - típicamente [Intel MKL](https://software.intel.com/en-us/mkl) u [OpenBLAS](https://www.openblas.net/). 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:
+```bash
+choco install numpy
+```
-- 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.
+[[tab]] name = 'Construir a partir del código fuente' content = ''' Para usuarios avanzados y desarrolladores que quieren personalizar o depurar **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](https://github.com/flame/blis) o referencia BLAS.
+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](https://numpy.org/devdocs/building/).
-- El paquete MKL es mucho más grande que OpenBLAS, de alrededor de 700 MB en disco, mientras que OpenBLAS es aproximadamente de 30MB.
+{{< /tabs >}}
-- MKL es normalmente un poco más rápido y más robusto que OpenBLAS.
+## Recomendaciones
-Además del tamaño de instalación, desempeño y robustez, hay dos aspectos más a considerar:
+Después de instalar NumPy, verifica la instalación ejecutando lo siguiente en una terminal o en un script de Python:
-- 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.
+```python
+import numpy as np
+print(np.__version__)
+```
+Esto debería imprimir la versión instalada de NumPy sin errores.
## Resolución de problemas
diff --git a/content/es/learn.md b/content/es/learn.md
index 016e78cfd1..6133af9269 100644
--- a/content/es/learn.md
+++ b/content/es/learn.md
@@ -15,26 +15,26 @@ Hay un montón de información sobre NumPy allá afuera. Si eres nuevo, te recom
**Tutoriales**
-* [Tutorial de inicio rápido de NumPy](https://numpy.org/devdocs/user/quickstart.html)
-* [NumPy Tutorials](https://numpy.org/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](https://github.com/numpy/numpy-tutorials).
-* [NumPy Illustrated: La Guía Visual de NumPy *por Lev Maximov*](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b)
-* [Scientific Python Lectures](https://scipy-lectures.org/) Además de cubrir NumPy, estas conferencias ofrecen una introducción más amplia al ecosistema científico de Python.
-* [NumPy: the absolute basics for beginners.](https://numpy.org/devdocs/user/absolute_beginners.html)
-* [NumPy tutorial *por Nicolas Rougier*](https://github.com/rougier/numpy-tutorial)
-* [Stanford CS231 *por Justin Johnson*](http://cs231n.github.io/python-numpy-tutorial/)
-* [NumPy User Guide.](https://numpy.org/devdocs)
+- [Tutorial de inicio rápido de NumPy](https://numpy.org/devdocs/user/quickstart.html)
+- [NumPy Tutorials](https://numpy.org/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](https://github.com/numpy/numpy-tutorials).
+- [NumPy Illustrated: La Guía Visual de NumPy _por Lev Maximov_](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b)
+- [Scientific Python Lectures](https://scipy-lectures.org/) Además de cubrir NumPy, estas conferencias ofrecen una introducción más amplia al ecosistema científico de Python.
+- [NumPy: the absolute basics for beginners.](https://numpy.org/devdocs/user/absolute_beginners.html)
+- [NumPy tutorial _por Nicolas Rougier_](https://github.com/rougier/numpy-tutorial)
+- [Stanford CS231 _por Justin Johnson_](http://cs231n.github.io/python-numpy-tutorial/)
+- [NumPy User Guide.](https://numpy.org/devdocs)
**Libros**
-* [Guide to NumPy *por Travis E. Oliphant*](https://web.mit.edu/dvp/Public/numpybook.pdf) Ésta es una versión 1 gratuita de 2006. Para conseguir la última versión (2015) mira [aquí](https://www.barnesandnoble.com/w/guide-to-numpy-travis-e-oliphant-phd/1122853007).
-* [From Python to NumPy *por Nicolas P. Rougier*](https://www.labri.fr/perso/nrougier/from-python-to-numpy/)
-* [Elegant SciPy](https://www.amazon.com/Elegant-SciPy-Art-Scientific-Python/dp/1491922877) *por Juan Nunez-Technesias, Stefan van der Walt, y Harriet Dashnow*
+- [Guide to NumPy _por Travis E. Oliphant_](https://web.mit.edu/dvp/Public/numpybook.pdf) Ésta es una versión 1 gratuita de 2006. Para conseguir la última versión (2015) mira [aquí](https://www.barnesandnoble.com/w/guide-to-numpy-travis-e-oliphant-phd/1122853007).
+- [From Python to NumPy _por Nicolas P. Rougier_](https://www.labri.fr/perso/nrougier/from-python-to-numpy/)
+- [Elegant SciPy](https://www.amazon.com/Elegant-SciPy-Art-Scientific-Python/dp/1491922877) _por Juan Nunez-Technesias, Stefan van der Walt, y Harriet Dashnow_
También puedes echar un vistazo a esta [lista de Goodreads](https://www.goodreads.com/shelf/show/python-scipy) sobre el tema "Python+SciPy". La mayoría de esos libros son sobre el "ecosistema SciPy", que tiene NumPy en su núcleo.
**Videos**
-* [Introduction to Numerical Computing with NumPy](http://youtu.be/ZB7BZMhfPgk) *por Alex Chabot-Leclerc*
+- [Introduction to Numerical Computing with NumPy](http://youtu.be/ZB7BZMhfPgk) _por Alex Chabot-Leclerc_
***
@@ -44,30 +44,30 @@ Pruebe estos recursos avanzados para comprender mejor los conceptos de NumPy com
**Tutoriales**
-* [100 NumPy Exercises](http://www.labri.fr/perso/nrougier/teaching/numpy.100/index.html) *por Nicolas P. Rougier*
-* [An Introduction to NumPy and Scipy](https://engineering.ucsb.edu/~shell/che210d/numpy.pdf) *por M. Scott Shell*
-* [Numpy Medkits](http://mentat.za.net/numpy/numpy_advanced_slides/) *por Stéfan van der Walt*
-* [Tutoriales de NumPy](https://numpy.org/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](https://github.com/numpy/numpy-tutorials).
+- [100 NumPy Exercises](http://www.labri.fr/perso/nrougier/teaching/numpy.100/index.html) _por Nicolas P. Rougier_
+- [An Introduction to NumPy and Scipy](https://engineering.ucsb.edu/~shell/che210d/numpy.pdf) _por M. Scott Shell_
+- [Numpy Medkits](http://mentat.za.net/numpy/numpy_advanced_slides/) _por Stéfan van der Walt_
+- [NumPy Tutorials](https://numpy.org/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](https://github.com/numpy/numpy-tutorials).
**Libros**
-* [Python Data Science Handbook](https://www.amazon.com/Python-Data-Science-Handbook-Essential/dp/1491912057) *por Jake Vanderplas*
-* [Python for Data Analysis](https://www.amazon.com/Python-Data-Analysis-Wrangling-Ipython/dp/1491957662) *por Wes McKinney*
-* [Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy, and Matplotlib](https://www.amazon.com/Numerical-Python-Scientific-Applications-Matplotlib/dp/1484242459) *por Robert Johansson*
+- [Python Data Science Handbook](https://www.amazon.com/Python-Data-Science-Handbook-Essential/dp/1491912057) _por Jake Vanderplas_
+- [Python for Data Analysis](https://www.amazon.com/Python-Data-Analysis-Wrangling-Ipython/dp/1491957662) _por Wes McKinney_
+- [Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy, and Matplotlib](https://www.amazon.com/Numerical-Python-Scientific-Applications-Matplotlib/dp/1484242459) _por Robert Johansson_
**Videos**
-* [Advanced NumPy - broadcasting rules, strides, and advanced indexing](https://www.youtube.com/watch?v=cYugp9IN1-Q) *por Juan Nunez-Iglesias*
+- [Advanced NumPy - broadcasting rules, strides, and advanced indexing](https://www.youtube.com/watch?v=cYugp9IN1-Q) _por Juan Nunez-Iglesias_
***
## Charlas de NumPy
-* [The Future of NumPy Indexing](https://www.youtube.com/watch?v=o0EacbIbf58) *por Jaime Fernández* (2016)
-* [Evolution of Array Computing in Python](https://www.youtube.com/watch?v=HVLPJnvInzM&t=10s) *por Ralf Gommers* (2019)
-* [NumPy: what has changed and what is going to change?](https://www.youtube.com/watch?v=YFLVQFjRmPY) *por Matti Picus* (2019)
-* [Inside NumPy](https://www.youtube.com/watch?v=dBTJD_FDVjU) *por Ralf Gommers, Sebastian Berg, Matti Picus, Tyler Reddy, Stefan van der Walt, Charles Harris* (2019)
-* [Brief Review of Array Computing in Python](https://www.youtube.com/watch?v=f176j2g2eNc) *por Travis Oliphant* (2019)
+- [The Future of NumPy Indexing](https://www.youtube.com/watch?v=o0EacbIbf58) _por Jaime Fernández_ (2016)
+- Evolution of Array Computing in Python _por Ralf Gommers_ (2019)
+- [NumPy: what has changed and what is going to change?](https://www.youtube.com/watch?v=YFLVQFjRmPY) _por Matti Picus_ (2019)
+- [Inside NumPy](https://www.youtube.com/watch?v=dBTJD_FDVjU) _por Ralf Gommers, Sebastian Berg, Matti Picus, Tyler Reddy, Stefan van der Walt, Charles Harris_ (2019)
+- [Brief Review of Array Computing in Python](https://www.youtube.com/watch?v=f176j2g2eNc) _por Travis Oliphant_ (2019)
***
diff --git a/content/es/news.md b/content/es/news.md
index 1e34cd9fcf..d480550e44 100644
--- a/content/es/news.md
+++ b/content/es/news.md
@@ -1,58 +1,77 @@
---
title: Noticias
sidebar: false
-newsHeader: "¡NumPy 2.0 ha sido lanzado!"
+newsHeader: ¡NumPy 2.2.0 ha sido lanzado!
date: 2024-06-17
---
+### Lanzamiento de NumPy 2.2.0
+
+_8 de diciembre de 2024_ -- 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:
+
+- Nuevas funciones `matvec` y `vecmat`,
+- Muchas anotaciones mejoradas,
+- Mejor soporte para el nuevo StringDType,
+- Mejor soporte para Python libre de hilos
+- Correcciones para f2py.
+
+Esta versión es compatible con versiones de Python 3.10-3.13.
+
### Lanzamiento de NumPy 2.1.0
-_18 de agosto 2024_ -- 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:
+_18 de agosto 2024_ -- 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:
-- Soporte para Python 3.13.
-- Soporte preliminar para Python 3.13 de hilos libres.
-- Compatibilidad con la norma array-api 2023.12.
+- Soporte para Python 3.13.
+- Soporte preliminar para Python 3.13 de hilos libres.
+- Compatibilidad con la norma array-api 2023.12.
Esta versión es compatible con las versiones 3.10-3.13 de Python.
-
### Lanzamiento de NumPy 2.0.0
-_16 de junio de 2024_ -- NumPy 2.0.0 es el primer lanzamiento importante desde 2006. Es el resultado de 11 meses de desarrollo desde el último lanzamiento de características y es el trabajo de 212 colaboradores distribuidos entre 1078 solicitudes de incorporación de cambios. Contiene un gran número de nuevas características interesantes, así como cambios en las APIs de Python y C. Incluye cambios importantes que no podrían producirse en un lanzamiento menor regular, como una ruptura de ABI, cambios en las reglas de promoción de tipos y cambios en la API que podrían no haber estado emitiendo advertencias de obsolescencia en la versión 1.26.x. Los documentos clave relacionados con cómo adaptarse a los cambios en NumPy 2.0 incluyen:
+_16 de junio de 2024_ -- NumPy 2.0.0 es el primer lanzamiento importante desde 2006. Es el resultado
+de 11 meses de desarrollo desde el último lanzamiento de características y es el trabajo
+de 212 colaboradores distribuidos entre 1078 solicitudes de incorporación de cambios. Contiene un gran número de nuevas características interesantes, así como cambios en las APIs de Python y C. Incluye cambios importantes que no podrían producirse en un lanzamiento menor regular, como una ruptura de ABI, cambios en las reglas de promoción de tipos y cambios en la API que podrían no haber estado emitiendo advertencias de obsolescencia en la versión 1.26.x. Los documentos clave
+relacionados con cómo adaptarse a los cambios en NumPy 2.0 incluyen:
-- La [Guía de migración de NumPy 2.0](https://numpy.org/devdocs/numpy_2_0_migration_guide.html)
-- Las [notas de lanzamiento 2.0.0](https://numpy.org/devdocs/release/2.0.0-notes.html)
+- La [guía de migración a NumPy 2.0](https://numpy.org/devdocs/numpy_2_0_migration_guide.html)
+- Las [ notas del lanzamiento 2.0.0](https://numpy.org/devdocs/release/2.0.0-notes.html)
- Emisión de anuncios para actualizaciones de estado: [numpy#24300](https://github.com/numpy/numpy/issues/24300)
La publicación ["NumPy 2.0: an evolutionary milestone"](https://blog.scientific-python.org/numpy/numpy2/) cuenta un poco de la historia sobre cómo se llegó a este lanzamiento.
-
### Fecha de lanzamiento de NumPy 2.0: 16 de junio
-_23 de mayo de 2024_ -- Estamos encantados de anunciar que NumPy 2.0 está previsto que sea lanzado el 16 de junio de 2024. Esta publicación lleva más de un año en proceso y es el primer lanzamiento importante desde 2006. Es importante destacar que, además de muchas nuevas características y mejoras en el rendimiento, contiene **cambios disruptivos** frente al ABI, como también a las APIs de Python y C. Es probable que los paquetes dependientes o downstream y código de usuario final necesiten ser adaptados - si puedes, por favor verifica que tu código funciona con NumPy `2.0.0rc2`. **Por favor, revisa lo siguiente para más detalles:**
+_23 de mayo de 2024_ -- Estamos encantados de anunciar que NumPy 2.0 está previsto que sea lanzado el 16 de junio de 2024. Esta publicación lleva más de un año en proceso y
+es el primer lanzamiento importante desde 2006. Es importante destacar que, además de muchas nuevas características y mejoras en el rendimiento, contiene **cambios disruptivos** frente al ABI, como también a las APIs de Python y C. Es probable que los paquetes dependientes o downstream y código de usuario final necesiten ser adaptados - si puedes, por favor verifica que tu código funciona con NumPy `2.0.0rc2`. It is likely that downstream packages and
+end user code needs to be adapted - if you can, please verify whether your code
+works with NumPy `2.0.0rc2`. **Por favor, revisa lo siguiente para más detalles:**
- La [guía de migración a NumPy 2.0](https://numpy.org/devdocs/numpy_2_0_migration_guide.html)
- Las [ notas del lanzamiento 2.0.0](https://numpy.org/devdocs/release/2.0.0-notes.html)
- Emisión de anuncios para actualizaciones de estado: [numpy#24300](https://github.com/numpy/numpy/issues/24300)
-
### Recaudación de fondos de fin de año de NumFOCUS
+
_19 de diciembre de 2023_ -- NumFOCUS se ha asociado con PyCharm durante su campaña de fin de año para ofrecer un 30% de descuento en licencias de primera vez de PyCharm. Todos los ingresos del primer año de las compras de PyCharm desde ahora hasta el 23 de diciembre de 2023 se destinarán directamente a los programas de NumFOCUS.
-Utiliza una URL única que te permitirá rastrear las compras https://lp.jetbrains.com/support-data-science/ o un código de cupón ISUPPORTDATASCIENCE
+Utiliza una URL única que te permitirá rastrear las compras https://lp.jetbrains.com/support-data-science/ o un código de cupón ISUPPORTDATASCIENCE
### NumPy 1.26.0 ha sido lanzado
_16 de septiembre de 2023_ -- [NumPy 1.26.0](https://numpy.org/doc/stable/release/1.26.0-notes.html) ahora está disponible. Los aspectos más destacados del lanzamiento son:
-* Soporte de Python 3.12.0.
-* Compatibilidad con Cython 3.0.0.
-* Utilización del sistema de compilación Meson
-* Actualización del soporte de SIMD
-* Correcciones de f2py, meson y soporte de bind(x)
-* Soporte para la librería actualizada Accelerate BLAS/LAPACK
+- Soporte de Python 3.12.0.
+- Compatibilidad con Cython 3.0.0.
+- Utilización del sistema de compilación Meson
+- Actualización del soporte de SIMD
+- Correcciones de f2py, meson y soporte de bind(x)
+- Soporte para la librería actualizada Accelerate BLAS/LAPACK
-La versión 1.26.0 de NumPy es la continuación de la serie 1.25.x que marca la transición al sistema de compilación Meson y que provee soporte para Cython 3.0.0. Un total de 20 personas contribuyeron a esta versión y 59 solicitudes de cambios fueron fusionadas.
+La versión 1.26.0 de NumPy es la continuación de la serie 1.25.x que marca la transición al sistema de compilación Meson y que provee soporte para Cython 3.0.0.
+Un total de 20 personas contribuyeron a esta versión y 59 solicitudes de cambios fueron fusionadas.
Las versiones de Python compatibles con esta versión son 3.9-3.12.
@@ -61,115 +80,143 @@ Las versiones de Python compatibles con esta versión son 3.9-3.12.
_ 2 de agosto de 2023_ -- numpy.org ya está disponible en 2 idiomas adicionales: japonés y portugués. Esto no sería posible sin nuestros dedicados voluntarios:
_Portugués:_
-* Melissa Weber Mendonça (melissawm)
-* Precios Ricardo (ricardoprins)
-* Getúlio Silva (getuliosilva)
-* Julio Batista Silva (jbsilva)
-* Alexandre de Siqueira (alexdesiqueira)
-* Alexandre B A Villares (villares)
-* Vini Salazar (vinisalazar)
+
+- Melissa Weber Mendonça (melissawm)
+- Precios Ricardo (ricardoprins)
+- Getúlio Silva (getuliosilva)
+- Julio Batista Silva (jbsilva)
+- Alexandre de Siqueira (alexdesiqueira)
+- Alexandre B A Villares (villares)
+- Vini Salazar (vinisalazar)
_Japonés:_
-* Atsushi Sakai (AtsushiSakai)
-* KKunai
-* Tom Kelly (TomKellyGenetics)
-* Yuji Kanagawa (kngwyu)
-* Tetsuo Koyama (tkoyama010)
+
+- Atsushi Sakai (AtsushiSakai)
+- KKunai
+- Tom Kelly (TomKellyGenetics)
+- Yuji Kanagawa (kngwyu)
+- Tetsuo Koyama (tkoyama010)
El trabajo sobre la infraestructura de traducción se apoya con fondos de CZI.
-De cara al futuro, nos encantaría traducir el sitio web a más idiomas. Si quieres ayudar, por favor pone en contacto con el equipo de traducciones de NumPy en Slack: https://join.slack.com/t/numpy-team/shared_invite/zt-1gokbq56s-bvEpo10Ef7aHbVtVFeZv2w. (Busca el canal #translations) También estamos formando un equipo de traducciones que estará trabajando en la localización de la documentación y el contenido educativo a través de todo el ecosistema de Python científico. Si esto ha despertado tu interés, únete a nosotros en el Discord de Python científico: https://discord.gg/khWtqY6RKr. (Busca el canal #translations)
+De cara al futuro, nos encantaría traducir el sitio web a más idiomas.
+Si quieres ayudar, por favor pone en contacto con el equipo de traducciones de NumPy en Slack:
+https://join.slack.com/t/numpy-team/shared_invite/zt-1gokbq56s-bvEpo10Ef7aHbVtVFeZv2w.
+(Busca el canal #translations) También estamos formando un equipo de traducciones que estará trabajando en la localización de la documentación y el contenido educativo a través de todo el ecosistema de Python científico. Si esto ha despertado tu interés, únete a nosotros en el Discord de Python científico: https://discord.gg/khWtqY6RKr. (Busca el canal #translations)
### NumPy 1.25.0 ha sido lanzado
_17 de junio de 2023_ -- [NumPy 1.25.0](https://numpy.org/doc/stable/release/1.25.0-notes.html) ya está disponible. Los aspectos más destacados del lanzamiento son:
-* Soporte para MUSL, ahora hay ruedas MUSL.
-* Soporte para el compilador de Fujitsu C/C++.
-* Los arreglos de objetos ahora están soportadas en einsum.
-* Soporte para la multiplicación de matrices in situ (`@=`).
+- Soporte para MUSL, ahora hay ruedas MUSL.
+- Soporte para el compilador de Fujitsu C/C++.
+- Los arreglos de objetos ahora están soportadas en einsum.
+- Soporte para la multiplicación de matrices in situ (`@=`).
-NumPy 1.25. continúa el trabajo en curso para mejorar el manejo y promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación. También se ha realizado trabajo preparatorio para el futuro NumPy 2.0.0, resultando en un gran número de nuevas y eliminadas obsolescencias.
+NumPy 1.25. continúa el trabajo en curso para mejorar el manejo y
+promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación. También se ha realizado trabajo preparatorio para el futuro NumPy 2.0.0, resultando en un gran número de nuevas y eliminadas obsolescencias.
Un total de 148 personas contribuyeron a esta versión y 530 solicitudes de incorporación de cambios fueron aceptadas.
-Las versiones de Python soportadas por este lanzamiento son 3.9-3.11.
+Las versiones de Python soportadas por este lanzamiento son
+3.9-3.11.
### Fomentar una Cultura Inclusiva: Convocatoria de Participación
_10 de mayo de 2023_ -- Fomentar una Cultura Inclusiva: Convocatoria de Participación
-¿Cómo podemos ser mejores cuando se trata de diversidad e inclusión? Lee el informe y averigua cómo involucrarte [aquí](https://contributor-experience.org/docs/posts/dei-report/).
+¿Cómo podemos ser mejores cuando se trata de diversidad e inclusión?
+Lee el informe y averigua cómo involucrarte [aquí](https://contributor-experience.org/docs/posts/dei-report/).
### Transición en el liderazgo del equipo de documentación de NumPy
-_6 de enero de 2023_ –- Mukulika Pahari y Ross Barnowski son nombrados como los nuevos líderes del equipo de documentación de NumPy, reemplazando a Melissa Mendonça. Damos las gracias a Melissa por todas sus contribuciones a la documentación oficial de NumPy y materiales educativos, y a Mukulika y Ross por asumir este rol.
+_6 de enero de 2023_ –- Mukulika Pahari y Ross Barnowski son nombrados como los nuevos líderes del equipo de documentación de NumPy, reemplazando a Melissa Mendonça. Damos las gracias a Melissa por todas sus
+contribuciones a la documentación oficial de NumPy y materiales educativos,
+y a Mukulika y Ross por asumir este rol.
### Lanzamiento de NumPy 1.24.0
_18 de diciembre de 2022_ -- [NumPy 1.24.0](https://numpy.org/doc/stable/release/1.24.0-notes.html) ya está disponible. Los aspectos más destacados del lanzamiento son:
-* Nuevas palabras clave "dtype" y "casting" para las funciones de apilamiento.
-* Nuevas características y correcciones de F2PY.
-* Muchas nuevas obsolescencias, revísalas.
-* Muchas obsolescencias caducadas,
+- Nuevas palabras clave "dtype" y "casting" para las funciones de apilamiento.
+- Nuevas características y correcciones de F2PY.
+- Muchas nuevas obsolescencias, revísalas.
+- Muchas obsolescencias caducadas,
-El lanzamiento de NumPy 1.24.0 continúa el trabajo en curso para mejorar el manejo y promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación. Hay un gran número de obsolescencias nuevas y caducadas debido a los cambios en la limpieza y promoción de tipo dtype. Es el trabajo de 177 colaboradores distribuidos sobre 444 solicitudes de incorporación de cambios. Las versiones Python soportadas son 3.8-3.11.
+El lanzamiento de NumPy 1.24.0 continúa el trabajo en curso para mejorar el manejo y
+promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación.
+Hay un gran número de obsolescencias nuevas y caducadas debido a los cambios en la limpieza y promoción de tipo dtype. Es el trabajo de 177 colaboradores distribuidos sobre
+444 solicitudes de incorporación de cambios. Las versiones Python soportadas son 3.8-3.11.
### NumPy 1.23.0 ha sido lanzado
_22 de junio de 2022_ -- [NumPy 1.23.0](https://numpy.org/doc/stable/release/1.23.0-notes.html) ya está disponible. Los aspectos más destacados del lanzamiento son:
-* Implementación de `loadtxt` en C, mejorando enormemente su rendimiento.
-* Exposición de DLPack a nivel Python para facilitar el intercambio de datos.
-* Cambios a la promoción y comparación de dtypes estructurados.
-* Mejoras a f2py.
+- Implementación de `loadtxt` en C, mejorando enormemente su rendimiento.
+- Exposición de DLPack a nivel Python para facilitar el intercambio de datos.
+- Cambios a la promoción y comparación de dtypes estructurados.
+- Mejoras a f2py.
-El lanzamiento de NumPy 1.23.0 continúa el trabajo en curso para mejorar el manejo y promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación, caducar viejas obsolescencias. Es el trabajo de 151 colaboradores distribuidos sobre 494 solicitudes de incorporación de cambios. Las versiones de Python soportadas por este lanzamiento son 3.8-3.10. Python 3.11 será soportado cuando alcance la etapa rc.
+El lanzamiento de NumPy 1.23.0 continúa el trabajo en curso para mejorar el manejo y
+promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación, caducar viejas obsolescencias. Es el trabajo de 151 colaboradores distribuidos sobre
+494 solicitudes de incorporación de cambios. Las versiones de Python soportadas por este lanzamiento son
+3.8-3.10.
+Python 3.11 será soportado cuando alcance la etapa rc.
### Estudio de investigación NumFOCUS DEI: llamado a participar
-_13 de abril de 2022_ -- NumPy está trabajando con [NumFOCUS](http://numfocus.org/) en un [proyecto de investigación](https://numfocus.org/diversity-inclusion-disc/a-pivotal-time-in-numfocuss-project-aimed-dei-efforts?eType=EmailBlastContent&eId=f41a86c3-60d4-4cf9-86cf-58eb49dc968c) financiado por la [Fundación Gordon & Betty Moore](https://www.moore.org/) para entender las barreras de participación que enfrentan los colaboradores, especialmente aquellos de grupos históricamente subrepresentados, en la comunidad de software de código abierto. El equipo de investigación quisiera hablar con nuevos colaboradores, desarrolladores y mantenedores del proyecto, y con aquellos que han contribuido en el pasado acerca de sus experiencias uniéndose y contribuyendo a NumPy.
+_13 de abril de 2022_ -- NumPy está trabajando con [NumFOCUS](http://numfocus.org/) en un proyecto de investigación financiado por la Fundación Gordon & Betty Moore para entender las barreras de participación que enfrentan los colaboradores, especialmente aquellos de grupos históricamente subrepresentados, en la comunidad de software de código abierto. El equipo de investigación quisiera hablar con nuevos colaboradores, desarrolladores y mantenedores del proyecto, y con aquellos que han contribuido en el pasado acerca de
+sus experiencias uniéndose y contribuyendo a NumPy.
**¿Estás interesado en compartir tus experiencias?**
-Por favor, completa este breve [formulario de "Interés del Participante"](https://numfocus.typeform.com/to/WBWVJSqe), que contiene información adicional sobre los objetivos de la investigación, la privacidad y las consideraciones de confidencialidad. Tu participación será valiosa para el crecimiento y la sostenibilidad de comunidades de software de código abierto diversas e inclusivas. Los participantes aceptados participarán en una entrevista de 30 minutos con un miembro del equipo de investigación.
+Por favor, completa este breve [formulario de "Interés del Participante"](https://numfocus.typeform.com/to/WBWVJSqe), que contiene información adicional sobre los objetivos de la investigación, la privacidad y las consideraciones de confidencialidad. Tu participación será valiosa para el crecimiento
+y la sostenibilidad de comunidades de software de código abierto diversas e inclusivas. Los participantes aceptados participarán en una entrevista de 30 minutos con un miembro del equipo de investigación.
### Lanzamiento de NumPy 1.22.0
_31 de diciembre de 2021_ -- [NumPy 1.22.0](https://numpy.org/doc/stable/release/1.22.0-notes.html) ya está disponible. Los aspectos más destacados del lanzamiento son:
-* Las anotaciones de tipo del espacio de nombres principal están esencialmente completas. El repositorio principal (upstream) es un objetivo en movimiento, así que probablemente habrán más mejoras, pero el mayor trabajo ya está hecho. Esta es probablemente la mejora más visible para el usuario en esta versión.
-* Una versión preliminar del propuesto [Estándar API de Arreglos](https://data-apis.org/array-api/latest/) es suministrada (véase [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html)). Este es un paso en la creación de una colección estándar de funciones que pueden ser usadas a través de librerías como CuPy y JAX.
-* NumPy ahora tiene un backend de DLPack. DLPack proporciona un formato de intercambio común para datos de arreglos (tensor).
-* Nuevos métodos para `cuantil`, `percentil` y funciones relacionadas. Los nuevos métodos proporcionan un conjunto completo de los métodos comúnmente encontrados en la literatura.
-* Las funciones universales se han refactorizado para implementar la mayor parte de [NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html). Esto también desbloquea la capacidad de experimentar con la futura API DType.
-* Un nuevo asignador de memoria configurable para el uso de proyectos dependientes o downstream.
+- Las anotaciones de tipo del espacio de nombres principal están esencialmente completas. El repositorio principal (upstream) es un objetivo en movimiento, así que probablemente habrán más mejoras, pero el mayor trabajo ya está hecho. Esta es probablemente la mejora más visible para el usuario en esta versión.
+- Una versión preliminar del propuesto [Estándar API de Arreglos](https://data-apis.org/array-api/latest/) es suministrada (véase [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html)).
+ Este es un paso en la creación de una colección estándar de funciones que pueden ser usadas a través de librerías como CuPy y JAX.
+- NumPy ahora tiene un backend de DLPack. DLPack proporciona un formato de intercambio común para datos de arreglos (tensor).
+- Nuevos métodos para `cuantil`, `percentil` y funciones relacionadas. Los nuevos métodos proporcionan un conjunto completo de los métodos comúnmente encontrados en la literatura.
+- Las funciones universales se han refactorizado para implementar la mayor parte de [NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html).
+ Esto también desbloquea la capacidad de experimentar con la futura API DType.
+- Un nuevo asignador de memoria configurable para el uso de proyectos dependientes o downstream.
-NumPy 1.22.0 es un gran lanzamiento que contó con el trabajo de 153 colaboradores distribuidos sobre 609 solicitudes de incorporación de cambios. Las versiones de Python soportadas por este lanzamiento son 3.8-3.10.
+NumPy 1.22.0 es un gran lanzamiento que contó con el trabajo de 153 colaboradores distribuidos
+sobre 609 solicitudes de incorporación de cambios. Las versiones de Python soportadas por este lanzamiento son
+3.8-3.10.
### Promoviendo una cultura inclusiva en el ecosistema científico de Python
_31 de agosto de 2021_ -- Nos complace anunciar que la Iniciativa Chan Zuckerberg ha [otorgado una subvención](https://chanzuckerberg.com/newsroom/czi-awards-16-million-for-foundational-open-source-software-tools-essential-to-biomedicine/) para apoyar la incorporación, inclusión, y retención de personas de grupos históricamente marginados en proyectos científicos de Python y para mejorar estructuralmente la dinámica de la comunidad para NumPy, SciPy, Matplotlib y Pandas.
-Como parte del [Programa de Software Esencial de Código Abierto para la Ciencia de CZI](https://chanzuckerberg.com/eoss/), esta subvención suplementaria de [Diversidad &e Inclusión](https://cziscience.medium.com/advancing-diversity-and-inclusion-in-scientific-open-source-eaabe6a5488b) apoyará la creación de posiciones dedicadas de Líder de Experiencia del Colaborador para identificar, documentar e implementar prácticas para fomentar comunidades inclusivas de código abierto. Este proyecto será liderado por Melissa Mendonça (NumPy), con mentoría y orientación adicionales por parte de Ralf Gommers (NumPy, SciPy), Hannah Aizenman y Thomas Caswell (Matplotlib), Matt Haberland (SciPy), y Joris Van den Bossche (Pandas).
+Como parte del [Programa de Software Esencial de Código Abierto para la Ciencia de CZI](https://chanzuckerberg.com/eoss/), esta subvención suplementaria de [Diversidad &e Inclusión](https://cziscience.medium.com/advancing-diversity-and-inclusion-in-scientific-open-source-eaabe6a5488b) apoyará la creación de posiciones dedicadas de Líder de Experiencia del Colaborador para identificar, documentar e implementar prácticas para fomentar comunidades inclusivas de código abierto. Este proyecto será liderado por Melissa Mendonça (NumPy), con mentoría y orientación adicionales por parte de Ralf Gommers (NumPy, SciPy),
+Hannah Aizenman y Thomas Caswell (Matplotlib), Matt Haberland (SciPy), y
+Joris Van den Bossche (Pandas).
-Este es un proyecto ambicioso destinado a descubrir e implementar actividades que deberían mejorar estructuralmente la dinámica comunitaria de nuestros proyectos. Al establecer estos nuevos roles entre proyectos, esperamos introducir un nuevo modelo de colaboración para las comunidades de Python Científico, permitiendo que el trabajo de construcción de comunidades dentro del ecosistema se realice de manera más eficiente y con mejores resultados. También esperamos desarrollar una idea más clara tanto de lo que funciona y lo que no en nuestros proyectos, para atraer y retener nuevos colaboradores, especialmente de grupos históricamente subrepresentados. Finalmente, planeamos producir informes detallados sobre las acciones ejecutadas, explicando cómo éstas han impactado nuestros proyectos en términos de representación e interacción con nuestras comunidades.
+Este es un proyecto ambicioso destinado a descubrir e implementar actividades que
+deberían mejorar estructuralmente la dinámica comunitaria de nuestros proyectos. Al establecer estos nuevos roles entre proyectos, esperamos introducir un nuevo
+modelo de colaboración para las comunidades de Python Científico, permitiendo que el trabajo de construcción de comunidades dentro del ecosistema se realice de manera más eficiente y con mejores resultados. También esperamos desarrollar una idea más clara tanto de lo que funciona y lo que no en nuestros proyectos, para atraer y retener nuevos colaboradores, especialmente de grupos históricamente subrepresentados. Finalmente, planeamos producir informes detallados sobre las acciones ejecutadas, explicando cómo éstas han impactado nuestros proyectos en términos de representación e interacción con nuestras comunidades.
-Se espera que este proyecto, de dos años de duración, comience en noviembre de 2021, y estamos emocionados por ver los resultados de este trabajo! [Puedes leer la propuesta completa aquí](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063).
+Se espera que este proyecto, de dos años de duración, comience en noviembre de 2021, y estamos emocionados por ver los resultados de este trabajo!
+[Puedes leer la propuesta completa aquí](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063).
### Encuesta de NumPy de 2021
-_12 de julio de 2021_ -- En NumPy creemos en el poder de nuestra comunidad. 1,236 usuarios de NumPy de 75 países participaron en nuestra encuesta inaugural el año pasado. Los resultados de la encuesta nos dieron una muy buena comprensión acerca de lo que debería ser nuestro enfoque durante los próximos 12 meses.
+_12 de julio de 2021_ -- En NumPy creemos en el poder de nuestra comunidad. 1,236 usuarios de NumPy de 75 países participaron en nuestra encuesta inaugural el año pasado.
+Los resultados de la encuesta nos dieron una muy buena comprensión acerca de lo que debería ser nuestro enfoque durante los próximos 12 meses.
Es hora de otra encuesta, y contamos contigo una vez más. Te tomará alrededor de 15 minutos de tu tiempo. Además de inglés, el cuestionario de la encuesta está disponible en 8 idiomas adicionales: Bangla, Francés, Hindi, Japonés, Mandarín, Portugués, Ruso y Español.
Sigue el enlace para comenzar: https://berkeley.qualtrics.com/jfe/form/SV_aaOONjgcBXDSl4q.
-
### Lanzamiento de NumPy 1.21.0
-_23 de junio de 2021_ -- [NumPy 1.21.0](https://numpy.org/doc/stable/release/1.21.0-notes.html) ya está disponible. Los aspectos más destacados de esta versión son:
+_23 de junio de 2021_ -- [NumPy 1.21.0](https://numpy.org/doc/stable/release/1.21.0-notes.html) ya está disponible. Los aspectos más destacados del lanzamiento son:
- trabajo SIMD continuo que cubre más funciones y plataformas,
- trabajo inicial sobre la nueva infraestructura dtype y conversiones de tipo,
@@ -180,15 +227,15 @@ _23 de junio de 2021_ -- [NumPy 1.21.0](https://numpy.org/doc/stable/release/1.2
Esta versión de NumPy es el resultado de 581 solicitudes de incorporación de cambios contribuidas por 175 personas. Las versiones de Python soportadas por este lanzamiento son las 3.7-3.9, se añadirá soporte para Python 3.10 después del lanzamiento de Python 3.10.
-
### Resultados de la encuesta de NumPy de 2020
-_22 de junio de 2021_ -- En 2020, el equipo de encuestas de NumPy, en asociación con los estudiantes y profesores de la Universidad de Michigan y la Universidad de Maryland, realizó la primera encuesta oficial de la comunidad NumPy. Encuentra los resultados de la encuesta aquí: https://numpy.org/user-survey-2020/.
-
+_22 de junio de 2021_ -- En 2020, el equipo de encuestas de NumPy, en asociación con los estudiantes y profesores de la Universidad de Michigan y la Universidad de Maryland, realizó la primera encuesta oficial de la comunidad NumPy. Encuentra los resultados de la encuesta
+aquí: https://numpy.org/user-survey-2020/.
### Lanzamiento de NumPy 1.20.0
_30 de enero de 2021_ -- [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) ya está disponible. Este es el lanzamiento de NumPy más grande hasta la fecha, gracias a los más de 180 colaboradores. Las dos nuevas características más importantes son:
+
- Anotaciones de tipo para grandes partes de NumPy, y un nuevo submódulo `numpy.typing` que contiene los alias `ArralyLike` y `DtypeLike` que los usuarios y las librerías dependientes o downstream pueden usar al agregar anotaciones de tipo en su propio código.
- Optimizaciones de compilador SIMD multiplataforma, con soporte para instrucciones x86 (SSE, AVX), ARM64 (Neon) y PowerPC (VSX). Esto produjo mejoras significativas de rendimiento para muchas funciones (ejemplos: [sin/cos](https://github.com/numpy/numpy/pull/17587), [einsum](https://github.com/numpy/numpy/pull/18194)).
@@ -196,56 +243,69 @@ _30 de enero de 2021_ -- [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.2
_20 de septiembre de 2020_ -- Escribimos una [declaración sobre el estado de, y discusión en redes sociales, alrededor de la diversidad e inclusión en el proyecto NumPy](/diversity_sep2020).
-
### Primer artículo oficial de NumPy publicado en Nature!
-_16 de septiembre de 2020_ -- Nos complace anunciar la publicación del [primer artículo oficial sobre NumPy](https://www.nature.com/articles/s41586-020-2649-2) como artículo de revisión en Nature. Esto llega 14 años después de la publicación de NumPy 1.0. El documento cubre aplicaciones y conceptos fundamentales de programación de arreglos, el rico ecosistema científico de Python construido sobre NumPy, y los recientemente añadidos protocolos de arreglos que facilitan la interoperabilidad con librerías de arreglos y tensores externas, tales como CuPy, Dask y JAX.
-
+_16 de septiembre de 2020_ -- Nos complace anunciar la publicación del [primer artículo oficial sobre NumPy](https://www.nature.com/articles/s41586-020-2649-2) como artículo de revisión en Nature. Esto llega 14 años después de la publicación de NumPy 1.0.
+El documento cubre aplicaciones y conceptos fundamentales de programación de arreglos, el rico ecosistema científico de Python construido sobre NumPy, y los recientemente añadidos protocolos de arreglos que facilitan la interoperabilidad con librerías de arreglos y tensores externas, tales como CuPy, Dask y JAX.
### Python 3.9 está por llegar, ¿cuándo lanzará NumPy ruedas binarias?
-_14 de septiembre de 2020_ -- Python 3.9 será lanzado dentro de unas pocas semanas. Si eres uno de los primeros en adoptar las más recientes versiones de Python, es posible que te sientas decepcionado al descubrir que NumPy (y otros paquetes binarios como SciPy) no tendrán ruedas binarias listas para el día del lanzamiento. Es un esfuerzo importante el adaptar la infraestructura de compilación a una versión nueva de Python y normalmente tarda unas cuantas semanas para que los paquetes aparezcan en PyPI y conda-forge. En preparación para este evento, por favor asegúrese de
+_14 de septiembre de 2020_ -- Python 3.9 será lanzado dentro de unas pocas semanas. Si eres uno de los primeros en adoptar las más recientes versiones de Python, es posible que te sientas decepcionado al descubrir que NumPy (y otros paquetes binarios como SciPy) no tendrán ruedas binarias listas para el
+día del lanzamiento. Es un esfuerzo importante el adaptar la infraestructura de compilación a una versión
+nueva de Python y normalmente tarda unas cuantas semanas para que los paquetes aparezcan
+en PyPI y conda-forge. En preparación para este evento, por favor asegúrese de
+
- actualizar su versión de `pip` al menos a la 20.1 para soportar `manylinux2010` y `manylinux2014`
- utiliza [`--only-binary=numpy`](https://pip.pypa.io/en/stable/reference/pip_install/#cmdoption-only-binary) o `--only-binary=:all:` para evitar que `pip` intente compilar desde la fuente.
-
### Lanzamiento de NumPy 1.19.2
-_10 de septiembre de 2020_ -- [NumPy 1.19.2](https://numpy.org/devdocs/release/1.19.2-notes.html) ya está disponible. Este último lanzamiento de la serie 1.19 corrige varios errores, se prepara para el [lanzamiento próximo de Cython 3.x](http://docs.cython.org/en/latest/src/changes.html) y fija las versiones de setuptools para mantener distutils funcionando mientras las modificaciones hacia el repositorio principal continúan. Las wheels para aarch64 están construidas con la última versión de manylinux2014 que corrige el problema de diferentes tamaños de página utilizados por diferentes distribuciones de linux.
+_10 de septiembre de 2020_ -- [NumPy 1.19.2](https://numpy.org/devdocs/release/1.19.2-notes.html) ya está disponible.
+Este último lanzamiento de la serie 1.19 corrige varios errores, se prepara para el [lanzamiento próximo de Cython 3.x](http://docs.cython.org/en/latest/src/changes.html) y fija las versiones de setuptools para mantener distutils funcionando mientras las modificaciones hacia el repositorio principal continúan.
+Las wheels para aarch64 están construidas con la última versión de manylinux2014 que corrige
+el problema de diferentes tamaños de página utilizados por diferentes distribuciones de linux.
### La encuesta inaugural de NumPy ya está disponible!
-_2 de julio de 2020_ -- Esta encuesta está destinada a guiar y establecer prioridades para la toma de decisiones sobre el desarrollo de NumPy como software y como comunidad. La encuesta está disponible en 8 idiomas adicionales además del Inglés: Bangla, Hindi, Japonés, Mandarín, Portugués, Ruso, Español y Francés.
+_2 de julio de 2020_ -- Esta encuesta está destinada a guiar y establecer prioridades para la toma de decisiones sobre el desarrollo de NumPy como software y como comunidad.
+La encuesta está disponible en 8 idiomas adicionales además del Inglés:
+Bangla, Hindi, Japonés, Mandarín, Portugués, Ruso, Español y Francés.
Por favor ayúdanos a mejorar NumPy diligenciando la encuesta: [aquí](https://umdsurvey.umd.edu/jfe/form/SV_8bJrXjbhXf7saAl).
-
### ¡NumPy tiene un nuevo logo!
_24 de junio de 2020_ -- NumPy tiene ahora un nuevo logo:
-
-
-El logo es una versión moderna del anterior, con un diseño más limpio. Gracias a Isabela Presedo-Floyd por diseñar el nuevo logo, así como a Travis Vaught por el viejo logo que nos sirvió tanto durante más de 15 años.
+