diff --git a/content/es/404.md b/content/es/404.md index 279bf4a482..fb509f47fb 100644 --- a/content/es/404.md +++ b/content/es/404.md @@ -1,8 +1,8 @@ --- title: 404 -sidebar: falso +sidebar: false --- -¡Oh, oh! Has llegado a un callejón sin salida. +¡Oh, oh! You've reached a dead end. -Si crees que algo debería estar aquí, puedes [reportar este problema](https://github.com/numpy/numpy.org/issues) en GitHub. +Si crees que algo debería estar aquí, puedes [reportar este problema](https://github.com/numpy/numpy.org/issues) en GitHub. diff --git a/content/es/_index.md b/content/es/_index.md index 67652c5e5f..136f21913e 100644 --- a/content/es/_index.md +++ b/content/es/_index.md @@ -36,7 +36,7 @@ NumPy soporta una amplia gama de hardware y plataformas de computación, y funci type = 'card' title = 'Óptimo' body = ''' -El núcleo de NumPy está optimizado adecuadamente con código en C. Disfrute de la flexibilidad de Python con la velocidad del código compilado. +El núcleo de NumPy está optimizado adecuadamente con código en C. Disfrute de la flexibilidad de Python con la velocidad del código compilado. Enjoy the flexibility of Python with the speed of compiled code. ''' [[item]] diff --git a/content/es/about.md b/content/es/about.md index 0003f3afb2..ee418bf182 100644 --- a/content/es/about.md +++ b/content/es/about.md @@ -1,5 +1,5 @@ --- -title: Quiénes Somos +title: About Us sidebar: false --- @@ -7,7 +7,6 @@ NumPy es un proyecto de código abierto cuyo objetivo es permitir la computació NumPy es desarrollado de forma abierta en GitHub, mediante el consenso de las comunidades NumPy y Python científico en general. Para más información sobre nuestro enfoque de gobernanza, por favor consulta nuestro [Documento de Gobernanza](https://www.numpy.org/devdocs/dev/governance/index.html). - ## Consejo Directivo El Consejo de Dirección de NumPy es el órgano de gobernanza del proyecto. Su papel es garantizar, a través del trabajo con la comunidad NumPy en general y al servicio de la misma, el bienestar a largo plazo del proyecto, tanto desde el punto de vista técnico como de la comunidad. El Consejo Directivo de NumPy está formado actualmente por los siguientes miembros (en orden alfabético): @@ -41,7 +40,7 @@ La dirección del proyecto NumPy trabaja activamente para diversificar las vías - desarrollo - documentación -- clasificación +- triage - página web - encuesta - traducción @@ -59,12 +58,11 @@ Visita la página de [Equipos](/teams) para más información. - Sebastian Berg - Miembro externo: Thomas Caswell -## Patrocinadores +## Sponsors NumPy recibe financiación directa de las siguientes fuentes: {{< sponsors >}} - ## Socios institucionales Los socios institucionales son organizaciones que apoyan al proyecto empleando a personas que contribuyen a NumPy como parte de su trabajo. Entre los actuales socios institucionales se encuentran: @@ -75,7 +73,6 @@ Los socios institucionales son organizaciones que apoyan al proyecto empleando a {{< partners >}} - ## Donar Si has encontrado NumPy útil en tu trabajo, investigación o empresa, por favor considera una donación al proyecto proporcional a tus recursos. ¡Cualquier cantidad ayuda! Todas las donaciones se utilizarán estrictamente para financiar el desarrollo del software de código abierto, la documentación y la comunidad de NumPy. @@ -87,4 +84,3 @@ Las donaciones a NumPy son gestionadas por [NumFOCUS](https://numfocus.org). Par El Consejo Directivo de NumPy tomará las decisiones sobre el mejor uso de los fondos recibidos. Las prioridades técnicas y de infraestructura están documentadas en la [Hoja de Ruta de NumPy](https://www.numpy.org/neps/index.html#roadmap). {{}} - diff --git a/content/es/arraycomputing.md b/content/es/arraycomputing.md index 967bc5e115..38814eba19 100644 --- a/content/es/arraycomputing.md +++ b/content/es/arraycomputing.md @@ -1,21 +1,22 @@ --- -title: Computación con Arreglos +title: Array Computing sidebar: false --- -*La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.* +_La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras._ La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es **Python.** **Num**erical **Py**thon o NumPy es la biblioteca estándar de-facto del lenguaje de programación Python que soporta arreglos y matrices multidimensionales de gran tamaño, y viene con una amplia colección de funciones matemáticas de alto nivel para operar sobre estos arreglos. -Tras el lanzamiento de NumPy en 2006, Pandas apareció en el panorama en 2008, y no fue hasta hace un par de años que aparecieron sucesivamente varias bibliotecas de computación con arreglos, poblando este escenario. Muchas de estas nuevas bibliotecas imitan las características y capacidades de NumPy, y contienen nuevos algoritmos y características orientadas a las aplicaciones de aprendizaje automático e inteligencia artificial. +Tras el lanzamiento de NumPy en 2006, Pandas apareció en el panorama en 2008, y no fue hasta hace un par de años que aparecieron sucesivamente varias bibliotecas de computación con arreglos, poblando este escenario. +Muchas de estas nuevas bibliotecas imitan las características y capacidades de NumPy, y contienen nuevos algoritmos y características orientadas a las aplicaciones de aprendizaje automático e inteligencia artificial. arraycl +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 ba02e5f2e8..cbf19a761c 100644 --- a/content/es/case-studies/blackhole-image.md +++ b/content/es/case-studies/blackhole-image.md @@ -11,36 +11,41 @@ attribution = '(Créditos de la imagen: Colaboración del telescopio del Horizon 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*" ->}} -Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver. -{{< /blockquote >}} +{{< 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! +[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole + ### Objetivos clave y resultados -* **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. + +[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment ### Los desafíos -* **Escala computacional** +- **Escala computacional** - 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. + EHT plantea enormes desafíos de procesamiento de datos, incluyendo las rápidas fluctuaciones de fase atmosféricas, amplio ancho de banda de grabación, y telescopios que son ampliamente disímiles y geográficamente dispersos. -* **Demasiada información** +- **Demasiada información** - Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil. + Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil. -* **Hacia lo desconocido** +- **Hacia lo desconocido** - Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta? + 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' @@ -65,7 +70,8 @@ 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' @@ -73,7 +79,13 @@ 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://www.scipy.org) y [Pandas](https://pandas.io), 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://www.scipy.org) y [Pandas](https://pandas.io), 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 @@ -84,12 +96,3 @@ 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..29b7af29aa 100644 --- a/content/es/case-studies/cricket-analytics.md +++ b/content/es/case-studies/cricket-analytics.md @@ -11,24 +11,27 @@ 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 >}} +{{< 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 >}} ## 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' @@ -41,9 +44,9 @@ attributionlink = 'http://debarghyadas.com/files/IPLpaper.pdf' ### 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' @@ -55,29 +58,32 @@ attributionlink = 'https://connect.vin/2019/05/ai-for-cricket-batsman-pose-analy ### 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' diff --git a/content/es/case-studies/deeplabcut-dnn.md b/content/es/case-studies/deeplabcut-dnn.md index 1281521f73..be90e36d1d 100644 --- a/content/es/case-studies/deeplabcut-dnn.md +++ b/content/es/case-studies/deeplabcut-dnn.md @@ -11,9 +11,10 @@ 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 >}} +{{< 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 >}} ## Acerca de DeepLabCut @@ -32,17 +33,19 @@ El rastreo del comportamiento no invasivo de animales de DeepLabCut por medio de 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]. +[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. 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. 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. ### 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. @@ -64,19 +67,23 @@ 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' @@ -93,11 +100,11 @@ 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 +- Random Sampling +- 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". @@ -111,14 +118,11 @@ attributionlink = 'https://www.researchgate.net/figure/DeepLabCut-work-flow-The- ## 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. +[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. {{< 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..a91e4de7df 100644 --- a/content/es/case-studies/gw-discov.md +++ b/content/es/case-studies/gw-discov.md @@ -11,7 +11,7 @@ attribution= '(Créditos de imagen: El proyecto Simulación de Espacio-tiempos e 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_" >}} El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en 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) @@ -20,28 +20,27 @@ Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, 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 -* **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. 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' @@ -51,20 +50,21 @@ attribution = '(Créditos del gráfico: Observación de Ondas Gravitacionales de 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 +## NumPy’s Role in the Detection of Gravitational Waves -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: -* [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, estimación de los parámetros de señal (por ejemplo, masas de estrellas, velocidad de giro y distancia) en comparación con un modelo. +- Visualización de datos - Series de tiempo - Espectrogramas -* Cálculo de Correlaciones -* [Software clave](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, 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. {{< figure >}} src = '/images/content_images/cs/gwpy-numpy-dep-graph.png' diff --git a/content/es/citing-numpy.md b/content/es/citing-numpy.md index 9ba1ad4b92..3c3c1afa13 100644 --- a/content/es/citing-numpy.md +++ b/content/es/citing-numpy.md @@ -1,35 +1,35 @@ --- 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, - 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 - Cournapeau and Eric Wieser and Julian Taylor and Sebastian - Berg and Nathaniel J. Smith and Robert Kern and Matti Picus - and Stephan Hoyer and Marten H. van Kerkwijk and Matthew - Brett and Allan Haldane and Jaime Fern{\'{a}}ndez del - R{\'{i}}o and Mark Wiebe and Pearu Peterson and Pierre - G{\'{e}}rard-Marchant and Kevin Sheppard and Tyler Reddy and - Warren Weckesser and Hameer Abbasi and Christoph Gohlke and - Travis E. Oliphant}, - year = {2020}, - month = sep, - journal = {Nature}, - volume = {585}, - number = {7825}, - pages = {357--362}, - doi = {10.1038/s41586-020-2649-2}, - publisher = {Springer Science and Business Media {LLC}}, - url = {https://doi.org/10.1038/s41586-020-2649-2} + 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 + Cournapeau and Eric Wieser and Julian Taylor and Sebastian + Berg and Nathaniel J. Smith and Robert Kern and Matti Picus + and Stephan Hoyer and Marten H. van Kerkwijk and Matthew + Brett and Allan Haldane and Jaime Fern{\'{a}}ndez del + R{\'{i}}o and Mark Wiebe and Pearu Peterson and Pierre + G{\'{e}}rard-Marchant and Kevin Sheppard and Tyler Reddy and + Warren Weckesser and Hameer Abbasi and Christoph Gohlke and + Travis E. Oliphant}, + year = {2020}, + month = sep, + journal = {Nature}, + volume = {585}, + number = {7825}, + pages = {357--362}, + 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..fab6be8cce 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. + - Excessive profanity. 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). diff --git a/content/es/community.md b/content/es/community.md index f96474c060..5019cfefd7 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 @@ -42,7 +43,6 @@ 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: @@ -56,7 +56,6 @@ El proyecto NumPy no organiza sus propias conferencias. Las conferencias que tra 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..8993c54299 100644 --- a/content/es/config.yaml +++ b/content/es/config.yaml @@ -19,28 +19,33 @@ params: shell: title: marcador intro: - - title: Prueba NumPy + - + 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 + - + title: Primera imagen de un Agujero Negro + text: Cómo NumPy, junto con Librería 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 + - + 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 + - + 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 + - + 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 @@ -49,61 +54,84 @@ params: title: ECOSISTEMA section5: false navbar: - - title: Instalar + - + title: Instalar url: /es/install - - title: Documentación + - + title: Documentación url: https://numpy.org/doc/stable - - title: Aprende + - + title: Aprende url: /es/learn - - title: Comunidad + - + title: Comunidad url: /es/community - - title: Quiénes somos + - + title: Quiénes somos url: /es/about - - title: Noticias + - + title: Noticias url: /es/news - - title: Contribuye + - + title: Contribuye url: /es/contribute footer: logo: logo.svg socialmediatitle: "" socialmedia: - - link: https://github.com/numpy/numpy + - + link: https://github.com/numpy/numpy icon: github - - link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng + - + link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng icon: youtube quicklinks: column1: title: "" links: - - text: Instalar + - + text: Instalar link: /es/install - - text: Documentación + - + text: Documentación link: https://numpy.org/doc/stable - - text: Aprende + - + text: Aprende link: /es/learn - - text: Citando a NumPy + - + text: Citando a NumPy link: /es/citing-numpy - - text: Mapa de ruta + - + text: Mapa de ruta link: https://numpy.org/neps/roadmap.html column2: links: - - text: Acerca de nosotros + - + text: Acerca de nosotros link: /es/about - - text: Comunidad + - + text: Comunidad link: /es/community - - text: Encuestas a usuarios + - + text: Encuestas a usuarios link: /es/user-surveys - - text: Contribuye + - + text: Contribuye link: /es/contribute - - text: Código de Conducta + - + text: Código de Conducta link: /es/code-of-conduct column3: links: - - text: Buscar ayuda + - + text: Buscar ayuda link: /es/gethelp - - text: Términos de uso + - + text: Términos de uso link: /es/terms - - text: Confidencialidad + - + text: Confidencialidad link: /es/privacy - - text: Kit de prensa + - + text: Kit de prensa link: /es/press-kit diff --git a/content/es/contribute.md b/content/es/contribute.md index 3ae6a32d18..a3ba988e5f 100644 --- a/content/es/contribute.md +++ b/content/es/contribute.md @@ -3,13 +3,16 @@ 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! +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 o en [Slack](https://numpy-team.slack.com) (escribe a para recibir una invitación). -También hacemos _llamadas a la comunidad_ de manera quincenal, cuyos detalles se anuncian en la [lista de correo](https://mail.python.org/mailman/listinfo/numpy-discussion). Te invitamos a unirte. Si es la primera vez que contribuyes al código abierto, también te recomendamos encarecidamente que leas [esta guía](https://opensource.guide/how-to-contribute/). +También hacemos _llamadas a la comunidad_ de manera quincenal, cuyos detalles se anuncian en la [lista de correo](https://mail.python.org/mailman/listinfo/numpy-discussion). +You are very welcome to join. +Si es la primera vez que contribuyes al código abierto, también te recomendamos encarecidamente que leas [esta guía](https://opensource.guide/how-to-contribute/). Nuestra comunidad aspira a tratar a todos por igual y a valorar todas las contribuciones. Tenemos un [Código de Conducta](/code-of-conduct) para fomentar un entorno abierto y acogedor. @@ -18,23 +21,26 @@ Nuestra comunidad aspira a tratar a todos por igual y a valorar todas las contri Programadores, esta [guía](https://numpy.org/devdocs/dev/index.html#development-process-summary) explica cómo contribuir al código base.
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 +- triage documentation PRs +- 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 +### Issue triaging 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 +- add good self-contained reproducers to issues +- etiquetar correctamente los problemas (para ello es necesario tener derechos de categorización, solo necesitas preguntar) Por favor, solo sumérgete. @@ -44,7 +50,8 @@ 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... ### Traduciendo el contenido de la página web @@ -56,10 +63,10 @@ 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. +[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. ### Donar Si deseas contribuir a NumPy haciendo una donación, visita [https://numpy.org/about/#donate](https://numpy.org/about/#donate) - - 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..75a79d18f8 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 +9,12 @@ 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..cd7452814e 100644 --- a/content/es/install.md +++ b/content/es/install.md @@ -5,7 +5,8 @@ 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. -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. +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. **CONDA** @@ -28,8 +29,8 @@ 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. +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. @@ -49,7 +50,6 @@ Tanto en Windows, macOS y Linux: - 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. - ### Usuarios avanzados #### Conda @@ -60,15 +60,14 @@ Tanto en Windows, macOS y Linux: #### 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 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. - ### Pip & conda 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. @@ -91,13 +90,13 @@ En la medida en que las librerías son actualizadas, los resultados al correr su - 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/) - - ## Paquetes NumPy & librerías de álgebra lineal aceleradas -NumPy no depende de ningún otro paquete de Python; sin embargo, sí depende de una librería de álgebra lineal acelerada - típicamente [Intel MKL](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: +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: -- 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. +- 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. @@ -110,16 +109,15 @@ NumPy no depende de ningún otro paquete de Python; sin embargo, sí depende de Además del tamaño de instalación, desempeño y robustez, hay dos aspectos más a considerar: - Intel MKL no es de código abierto. Para uso normal esto no es un problema, pero si un usuario necesita redistribuir una aplicación construida con NumPy, esto podría ser un inconveniente. -- MKL y OpenBLAS utilizan funciones multihilo como `np.dot`, siendo el número de hilos determinado tanto por una opción de tiempo de compilación como por una variable de entorno. Todos los núcleos de la CPU usualmente serán utilizados. Esto es en ocasiones inesperado para los usuarios. NumPy en sí mismo no paraleliza automáticamente ninguna llamada a función. Normalmente produce un mejor rendimiento, pero también puede ser perjudicial - por ejemplo cuando se utiliza otro nivel de paralelización con Dask, el aprendizaje de la ciencia o multiprocesamiento. - +- 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. 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. ## Resolución de problemas Si su instalación falla con el siguiente mensaje, revise el siguiente enlace [Resolución de problemas ImportError](https://numpy.org/doc/stable/user/troubleshooting-importerror.html). ``` -¡IMPORTANTE: POR FAVOR LEA ESTO COMO SUGERENCIA PARA RESOLVER ESTE PROBLEMA! +IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE! -La importación de las extensiones-c de numpy falló. Este error puede ocurrir por varias razones, siendo frecuente debido a problemas con su configuración. +Importing the numpy c-extensions failed. This error can happen for +different reasons, often due to issues with your setup. ``` - diff --git a/content/es/learn.md b/content/es/learn.md index 016e78cfd1..1019d07258 100644 --- a/content/es/learn.md +++ b/content/es/learn.md @@ -15,59 +15,59 @@ 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) +- [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). +- [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_ *** -## Avanzado +## Advanced Pruebe estos recursos avanzados para comprender mejor los conceptos de NumPy como indexación avanzada, división, apilamiento, álgebra lineal y mucho más. **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](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) *** diff --git a/content/es/news.md b/content/es/news.md index 1e34cd9fcf..7d4e27da76 100644 --- a/content/es/news.md +++ b/content/es/news.md @@ -1,42 +1,42 @@ --- title: Noticias sidebar: false -newsHeader: "¡NumPy 2.0 ha sido lanzado!" +newsHeader: ¡NumPy 2.0 ha sido lanzado! date: 2024-06-17 --- ### 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 ofrece soporte para Python 3.13 y deja de dar soporte a 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 de esta versión 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. It contains a large +number of exciting new features as well as changes to both the Python and C +APIs. 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`. NumPy 1.25. **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) +- 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) - 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  @@ -45,14 +45,15 @@ Utiliza una URL única que te permitirá rastrear las compras https://lp.jetbrai _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. @@ -61,35 +62,39 @@ 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. +(Look for the #translations channel.) (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. +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. @@ -99,7 +104,8 @@ Las versiones de Python soportadas por este lanzamiento son 3.9-3.11. _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 @@ -109,27 +115,29 @@ _6 de enero de 2023_ –- Mukulika Pahari y Ross Barnowski son nombrados como lo _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](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. **¿Estás interesado en compartir tus experiencias?** @@ -137,14 +145,16 @@ Por favor, completa este breve [formulario de "Interés del Participante"](https ### 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: +_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 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. @@ -156,20 +166,21 @@ Como parte del [Programa de Software Esencial de Código Abierto para la Ciencia 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 +191,14 @@ _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/. - ### 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 +206,57 @@ _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 + - 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: -Logo de NumPy + 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. - ### Lanzamiento de NumPy 1.19.0 _20 de junio de 2020_ -- NumPy 1.19.0 ya está disponible. Esta es el primer lanzamiento sin soporte para Python 2, por lo que fue una "versión de limpieza". La versión mínima soportada de Python es ahora Python 3.6. Una nueva característica importante es que la infraestructura de generación de números aleatorios que fue introducida en NumPy 1.17.0 es ahora accesible desde Cython. - ### Aceptación a Season of Docs _11 de mayo de 2020_ -- NumPy ha sido aceptado como una de las organizaciones mentoras para el programa Google Season of Docs. ¡Estamos entusiasmados de tener la oportunidad de trabajar con un redactor técnico para mejorar la documentación de NumPy una vez más! Para más detalles, por favor consulte [el sitio oficial de Season of Docs](https://developers.google.com/season-of-docs/) y nuestra [página de ideas](https://github.com/numpy/numpy/wiki/Google-Season-of-Docs-2020-Project-Ideas). - ### Lanzamiento de NumPy 1.18.0 _22 de diciembre de 2019_ -- NumPy 1.18.0 ya está disponible. Después de los grandes cambios en 1.17.0, este es un lanzamiento de consolidación. Es el último lanzamiento menor que soportará Python 3.5. Los aspectos más destacados de la publicación incluyen la adición de la infraestructura básica para enlazar con las librerías BLAS de 64 bits y LAPACK, y un nuevo C-API para `numpy.random`. Por favor revise las [notas del lanzamiento](https://github.com/npm/npm/releases/tag/v2.11.0) para conocer más detalles. - ### NumPy recibe una subvención de la Iniciativa Chan Zuckerberg _15 de noviembre de 2019_ -- Nos complace anunciar que NumPy y OpenBLAS, una de las dependencias clave de NumPy, han recibido una subvención conjunta por $195,000 de la Iniciativa Chan Zuckerberg a través de su [programa Esencial de Software Abierto para la Ciencia](https://chanzuckerberg.com/eoss/) que apoya el mantenimiento de software, crecimiento, desarrollo y compromiso comunitario para herramientas de código abierto críticas para la ciencia. @@ -254,7 +265,6 @@ Esta subvención se utilizará para acelerar los esfuerzos en la mejora de la do Puede encontrar más detalles sobre nuestras iniciativas y entregables propuestos en la [propuesta completa de subvención](https://figshare.com/articles/Proposal_NumPy_OpenBLAS_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/10302167). Está previsto que el trabajo comience el 1 de diciembre de 2019 y continúe durante los siguientes 12 meses. - ## Lanzamientos diff --git a/content/es/report-handling-manual.md b/content/es/report-handling-manual.md index aab614b2e3..37df39c1a5 100644 --- a/content/es/report-handling-manual.md +++ b/content/es/report-handling-manual.md @@ -7,44 +7,40 @@ Este es el manual que sigue el Comité de Código de Conducta de NumPy. Se utili Hacer cumplir el [Código de Conducta](/code-of-conduct) impacta a nuestra comunidad hoy y en el futuro. Es una acción que no tomamos a la ligera. Al revisar las medidas de cumplimiento, el Comité de Código de Conducta tendrá en cuenta los siguientes valores y directrices: -* Actuar de manera personal en lugar de impersonal. El Comité puede involucrar a las partes para que comprendan la situación, respetando al mismo tiempo la privacidad y, en su caso, la confidencialidad de los informadores. Sin embargo, a veces es necesario comunicarse directamente con uno o más individuos: el objetivo del Comité es mejorar la salud de nuestra comunidad en lugar de solo producir una decisión formal. -* Enfatizar la empatía hacia los individuos en lugar de juzgar el comportamiento, evitando etiquetas binarias de “bueno” y “malo/malvado”. Existen agresiones y acosos manifiestos y claros, y los abordaremos con firmeza. Pero en muchas circunstancias puede ser complejo resolver estas situaciones, sobre todo aquellas en las que desacuerdos normales se convierten en comportamientos inútiles o perjudiciales para las partes. Comprender el contexto completo y encontrar un camino que vuelva involucrar a todos es difícil, pero es en última instancia lo más productivo para nuestra comunidad. -* Comprendemos que el correo electrónico es un medio difícil y puede aislarnos. Recibir críticas por medio de correo electrónico, sin ningún contacto personal, puede ser particularmente doloroso. Esto hace que sea especialmente importante mantener una ambiente de apertura y respeto hacia las opiniones de los demás. También significa que debemos ser transparentes en nuestro actuar, y que haremos todo lo que esté a nuestro alcance para asegurarnos de que todos nuestros miembros reciban un trato justo y comprensivo. -* La discriminación puede ser sutil e inconsciente. Ésta puede manifestarse como injusticia y hostilidad en interacciones que, por todo lo demás, serían normales. Sabemos que esto ocurre, y nos ocuparemos de estar pendientes de esto. Nos gustaría mucho saber de usted si cree que ha sido tratado injustamente, y utilizaremos estos procedimientos para asegurarnos de que su queja sea escuchada y atendida. -* Ayude a aumentar el compromiso con buenas prácticas de debate: trate de identificar los puntos en los que el debate puede haberse interrumpido y proporcione información práctica, sugerencias y recursos que puedan conducir a un cambio positivo en estos aspectos. -* Sea consciente de las necesidades de los nuevos miembros: proporcióneles apoyo y consideración explícitos, con el objetivo de aumentar la participación, particularmente de grupos subrepresentados. -* Las personas provienen de entornos culturales y lingüísticos diferentes. Intente identificar cualquier malentendido honesto causado por un hablante no nativo y ayúdele a entender el problema y lo que puede cambiar para evitar causar una ofensa. La discusión compleja en una lengua extranjera puede ser muy intimidante, y queremos aumentar nuestra diversidad también a través de nacionalidades y culturas. - +- Actuar de manera personal en lugar de impersonal. El Comité puede involucrar a las partes para que comprendan la situación, respetando al mismo tiempo la privacidad y, en su caso, la confidencialidad de los informadores. Sin embargo, a veces es necesario comunicarse directamente con uno o más individuos: el objetivo del Comité es mejorar la salud de nuestra comunidad en lugar de solo producir una decisión formal. +- Enfatizar la empatía hacia los individuos en lugar de juzgar el comportamiento, evitando etiquetas binarias de “bueno” y “malo/malvado”. Existen agresiones y acosos manifiestos y claros, y los abordaremos con firmeza. Pero en muchas circunstancias puede ser complejo resolver estas situaciones, sobre todo aquellas en las que desacuerdos normales se convierten en comportamientos inútiles o perjudiciales para las partes. Comprender el contexto completo y encontrar un camino que vuelva involucrar a todos es difícil, pero es en última instancia lo más productivo para nuestra comunidad. +- Comprendemos que el correo electrónico es un medio difícil y puede aislarnos. Recibir críticas por medio de correo electrónico, sin ningún contacto personal, puede ser particularmente doloroso. Esto hace que sea especialmente importante mantener una ambiente de apertura y respeto hacia las opiniones de los demás. También significa que debemos ser transparentes en nuestro actuar, y que haremos todo lo que esté a nuestro alcance para asegurarnos de que todos nuestros miembros reciban un trato justo y comprensivo. +- La discriminación puede ser sutil e inconsciente. Ésta puede manifestarse como injusticia y hostilidad en interacciones que, por todo lo demás, serían normales. Sabemos que esto ocurre, y nos ocuparemos de estar pendientes de esto. Nos gustaría mucho saber de usted si cree que ha sido tratado injustamente, y utilizaremos estos procedimientos para asegurarnos de que su queja sea escuchada y atendida. +- Ayude a aumentar el compromiso con buenas prácticas de debate: trate de identificar los puntos en los que el debate puede haberse interrumpido y proporcione información práctica, sugerencias y recursos que puedan conducir a un cambio positivo en estos aspectos. +- Sea consciente de las necesidades de los nuevos miembros: proporcióneles apoyo y consideración explícitos, con el objetivo de aumentar la participación, particularmente de grupos subrepresentados. +- Las personas provienen de entornos culturales y lingüísticos diferentes. Intente identificar cualquier malentendido honesto causado por un hablante no nativo y ayúdele a entender el problema y lo que puede cambiar para evitar causar una ofensa. La discusión compleja en una lengua extranjera puede ser muy intimidante, y queremos aumentar nuestra diversidad también a través de nacionalidades y culturas. ## Mediación La mediación informal voluntaria es una herramienta a nuestra disposición. En contextos tales como cuando dos o más partes han escalado hasta el punto de un comportamiento inapropiado (algo tristemente común en el conflicto humano), puede ser útil facilitar un proceso de mediación. Éste es sólo un ejemplo: el Comité puede considerar la mediación en cualquier caso, siendo consciente de que este proceso se entiende como estrictamente voluntario y que ninguna de las partes puede ser presionada a participar. Si el Comité sugiere la mediación, este debería: -* Encontrar un candidato que pueda servir de mediador. -* Obtener el acuerdo del informante(s). El informante(s) tienen total libertad para rechazar la propuesta de mediación o para proponer un mediador alternativo. -* Obtener el acuerdo de la persona informante(s). -* Acuerden el mediador: aunque las partes pueden proponer un mediador diferente al candidato sugerido, solo si se llega a un acuerdo común en todos los términos se puede avanzar en el proceso. -* Establezca un marco de tiempo para completar la mediación, idealmente dentro de dos semanas. +- Encontrar un candidato que pueda servir de mediador. +- Obtener el acuerdo del informante(s). El informante(s) tienen total libertad para rechazar la propuesta de mediación o para proponer un mediador alternativo. +- Obtener el acuerdo de la persona informante(s). +- Acuerden el mediador: aunque las partes pueden proponer un mediador diferente al candidato sugerido, solo si se llega a un acuerdo común en todos los términos se puede avanzar en el proceso. +- Establezca un marco de tiempo para completar la mediación, idealmente dentro de dos semanas. El mediador dialogará con todas las partes y buscará una decisión que sea satisfactoria para todos. Una vez concluido el proceso, el mediador proporcionará un informe (revisado por todas las partes del proceso) al Comité, con recomendaciones sobre pasos a seguir. El comité a su vez evaluará estos resultados (bien se haya logrado una decisión satisfactoria o no) y decidirá sobre cualquier acción que considere necesaria. - ## Cómo responderá el Comité a los informes Cuando el Comité (o uno de sus miembros) recibe un informe, primero determinará si éste se refiere a una violación clara y grave (como se define a continuación). En caso afirmativo, será necesario tomar medidas inmediatas adicionales al proceso de gestión de informe habitual. - ## Acciones violatorias claras y severas Sabemos que es dolorosamente común que la comunicación en Internet comience o se convierta en un abuso evidente y manifiesto. Nos ocuparemos rápidamente de violaciones claras y graves, tales como amenazas personales, lenguaje violento, sexista o racista. Cuando un miembro del Comité de Código de Conducta tenga conocimiento de una violación clara y grave, hará lo siguiente: -* Desconectará inmediatamente al originador de todos los canales de comunicación de NumPy. -* Responderá al informante que su informe ha sido recibido y que el autor ha sido desconectado. -* En todo caso, el moderador deberá hacer un esfuerzo razonable por contactar al originador, y comunicarle específicamente cómo su lenguaje o sus acciones se constituyeron como "violación clara y grave". El moderador también debe decir que, si el originador cree que esto es injusto o desea reconectarse con NumPy, tiene el derecho a solicitar una revisión, como se indica a continuación, por el Comité de Código de Conducta. El moderador debería copiar esta explicación al Comité de Código de conducta. -* El Comité de Código de conducta revisará y aprobará formalmente todos los casos en los que se haya aplicado este mecanismo, para asegurarse de que no se esté utilizando para controlar desacuerdos ordinarios acalorados. - +- Desconectará inmediatamente al originador de todos los canales de comunicación de NumPy. +- Responderá al informante que su informe ha sido recibido y que el autor ha sido desconectado. +- En todo caso, el moderador deberá hacer un esfuerzo razonable por contactar al originador, y comunicarle específicamente cómo su lenguaje o sus acciones se constituyeron como "violación clara y grave". El moderador también debe decir que, si el originador cree que esto es injusto o desea reconectarse con NumPy, tiene el derecho a solicitar una revisión, como se indica a continuación, por el Comité de Código de Conducta. El moderador debería copiar esta explicación al Comité de Código de conducta. +- El Comité de Código de conducta revisará y aprobará formalmente todos los casos en los que se haya aplicado este mecanismo, para asegurarse de que no se esté utilizando para controlar desacuerdos ordinarios acalorados. ## Gestión de informes @@ -54,10 +50,10 @@ Si un informe no contiene suficiente información, el Comité obtendrá todos lo El Comité procederá a revisar el incidente y determinará, en la medida de su capacidad: -* Qué sucedió. -* Si este evento constituye una violación del Código de Conducta. -* Quiénes son las parte(s) responsables. -* Si se trata de una situación en progreso y existe una amenaza para la seguridad física de cualquiera. +- Qué sucedió. +- Si este evento constituye una violación del Código de Conducta. +- Quiénes son las parte(s) responsables. +- Si se trata de una situación en progreso y existe una amenaza para la seguridad física de cualquiera. Esta información se recopilará por escrito, y siempre que sea posible se registrarán y conservarán las deliberaciones del grupo (por ejemplo, transcripciones de chat, discusiones por correo electrónico, conferencias telefónicas grabadas, resúmenes de conversaciones de voz, etc.). @@ -65,23 +61,22 @@ Es importante conservar un archivo de todas las actividades de este Comité para El Comité de Código de Conducta debería aspirar a que se acuerde una resolución en el plazo de dos semanas. Dado el caso de que no se pueda establecer una decisión dentro de dicho plazo, el Comité responderá al informante(s) con una actualización y duración estimada para la decisión. - ## Resoluciones El comité debe llegar a un acuerdo sobre una resolución por consenso. Si el grupo no puede alcanzar un consenso y permanece en un punto muerto durante más de una semana, le trasladará el asunto al Consejo Directivo para que lo resuelva. Las posibles respuestas pueden incluir: -* No tomar más medidas: - - si determinamos que no se han producido violaciones; - - si el asunto se ha resuelto públicamente mientras que el Comité estaba estudiando las respuestas. -* Coordinación de mediación voluntaria: si todas las partes implicadas están de acuerdo, el Comité podrá facilitar un proceso de mediación como se detalla arriba. -* Recordar públicamente y señalar que algunos comportamientos/acciones/usos de lenguaje, han sido juzgados como inapropiados y por qué, bajo el contexto actual, pueden ser hirientes para algunas personas, solicitando a la comunidad que se autorregule. -* Una amonestación privada por parte del Comité al individuo(s) involucrado(s). En este caso, el presidente del grupo entregará esa amonestación al (los) individuo(s) por correo electrónico, con copia al grupo. -* Una amonestación pública. En este caso, el presidente del Comité entregará la amonestación por el mismo medio por el que se produjo la violación, dentro de los límites de lo posible. Por ejemplo, la lista de correo original para una violación de correo electrónico, pero para una discusión en una sala de chat, en la que la persona o el contexto pueden haber desaparecido, puede buscarse el contacto por otros medios. El grupo puede elegir publicar este mensaje en otro lugar con fines de documentación. -* Una solicitud de disculpa pública o privada, asumiendo que el informante esté de acuerdo con esta idea: puede negarse, a su discreción, a continuar contacto con el infractor. El presidente entregará esta solicitud. El Comité puede, si así lo desea, adjuntar “condiciones” a esta petición: por ejemplo, el grupo puede solicitar a un infractor pedir disculpas para preservar su membresía en una lista de correo. -* Un “acuerdo mutuo de suspensión” en el que el Comité solicita al individuo la abstención temporal de participación en la comunidad. Si el individuo decide no aceptar una suspensión temporal voluntariamente, el Comité puede emitir un “período obligatorio de reflexión”. -* Una prohibición permanente o temporal de algunos o de todos los espacios de NumPy (listas de correo, gitter.im, etc.). El grupo mantendrá los registros de todas esas prohibiciones, para que puedan ser revisadas en el futuro o ser mantenidas en caso contrario. +- No tomar más medidas: + - si determinamos que no se han producido violaciones; + - si el asunto se ha resuelto públicamente mientras que el Comité estaba estudiando las respuestas. +- Coordinación de mediación voluntaria: si todas las partes implicadas están de acuerdo, el Comité podrá facilitar un proceso de mediación como se detalla arriba. +- Recordar públicamente y señalar que algunos comportamientos/acciones/usos de lenguaje, han sido juzgados como inapropiados y por qué, bajo el contexto actual, pueden ser hirientes para algunas personas, solicitando a la comunidad que se autorregule. +- Una amonestación privada por parte del Comité al individuo(s) involucrado(s). En este caso, el presidente del grupo entregará esa amonestación al (los) individuo(s) por correo electrónico, con copia al grupo. +- Una amonestación pública. En este caso, el presidente del Comité entregará la amonestación por el mismo medio por el que se produjo la violación, dentro de los límites de lo posible. Por ejemplo, la lista de correo original para una violación de correo electrónico, pero para una discusión en una sala de chat, en la que la persona o el contexto pueden haber desaparecido, puede buscarse el contacto por otros medios. El grupo puede elegir publicar este mensaje en otro lugar con fines de documentación. +- Una solicitud de disculpa pública o privada, asumiendo que el informante esté de acuerdo con esta idea: puede negarse, a su discreción, a continuar contacto con el infractor. El presidente entregará esta solicitud. El Comité puede, si así lo desea, adjuntar “condiciones” a esta petición: por ejemplo, el grupo puede solicitar a un infractor pedir disculpas para preservar su membresía en una lista de correo. +- Un “acuerdo mutuo de suspensión” en el que el Comité solicita al individuo la abstención temporal de participación en la comunidad. Si el individuo decide no aceptar una suspensión temporal voluntariamente, el Comité puede emitir un “período obligatorio de reflexión”. +- Una prohibición permanente o temporal de algunos o de todos los espacios de NumPy (listas de correo, gitter.im, etc.). El grupo mantendrá los registros de todas esas prohibiciones, para que puedan ser revisadas en el futuro o ser mantenidas en caso contrario. Una vez que se acuerda una resolución, pero antes de que se promulgue, el Comité se pondrá en contacto con el informante original y con cualquier otra parte afectada y explicará la resolución propuesta. El Comité preguntará si esta resolución es aceptable y deberá tomar nota de los comentarios para su registro. @@ -89,7 +84,6 @@ Finalmente, el Comité presentará un informe al Consejo Directivo de NumPy (as El Comité nunca debatirá públicamente el asunto; todas las declaraciones públicas serán realizadas por el presidente del Comité de Código de Conducta o el Consejo Directivo de NumPy. - ## Conflictos de intereses En caso de cualquier conflicto de intereses, el miembro del Comité deberá notificarlo inmediatamente a los demás miembros y excusarse en caso de ser necesario. diff --git a/content/es/tabcontents.yaml b/content/es/tabcontents.yaml index b22cc540dc..fa5776380a 100644 --- a/content/es/tabcontents.yaml +++ b/content/es/tabcontents.yaml @@ -1,275 +1,373 @@ params: machinelearning: paras: - - para1: NumPy constituye la base de potentes librerías de aprendizaje automático como [scikit-learn](https://scikit-learn.org) y [SciPy](https://www.scipy.org). A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de [TensorFlow](https://www.tensorflow.org) tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. [PyTorch](https://pytorch.org), otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural. + - + para1: NumPy constituye la base de potentes librerías de aprendizaje automático como [scikit-learn](https://scikit-learn.org) y [SciPy](https://www.scipy.org). A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de [TensorFlow](https://www.tensorflow.org) tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. [PyTorch](https://pytorch.org), otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural. para2: Las técnicas estadísticas denominadas métodos [ensemble](https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205), como binning, bagging, stacking y boosting, se encuentran entre los algoritmos de ML implementados por herramientas como [XGBoost](https://xgboost.readthedocs.io/), [LightGBM](https://lightgbm.readthedocs.io/en/latest/) y [CatBoost](https://catboost.ai) — uno de los motores de inferencia más rápidos. [Yellowbrick](https://www.scikit-yb.org/en/latest/) y [Eli5](https://eli5.readthedocs.io/en/latest/) ofrecen visualizaciones de aprendizaje automático. arraylibraries: intro: - - text: La API de NumPy es el punto de partida cuando se escriben librerías para explotar hardware innovador, crear tipos de arreglos especializadas o añadir capacidades más allá de lo que NumPy proporciona. + - + text: La API de NumPy es el punto de partida cuando se escriben librerías para explotar hardware innovador, crear tipos de arreglos especializadas o añadir capacidades más allá de lo que NumPy proporciona. headers: - - text: Librería de arreglos - - text: Capacidades y áreas de aplicación + - + text: Librería de arreglos + - + text: Capacidades y áreas de aplicación libraries: - - title: Dask + - + title: Dask text: Arreglos distribuidos y paralelismo avanzado para análisis, que permiten un rendimiento a escala. img: /images/content_images/arlib/dask.png alttext: Dask url: https://dask.org/ - - title: CuPy + - + title: CuPy text: Librería de arreglos compatible con NumPy para cálculo acelerado en la GPU con Python. img: /images/content_images/arlib/cupy.png alttext: CuPy url: https://cupy.dev - - title: JAX + - + title: JAX text: "Transformaciones componibles de programas NumPy: diferenciar, vectorizar, compilación justo-a-tiempo a GPU/TPU." img: /images/content_images/arlib/jax_logo_250px.png alttext: JAX url: https://jax.readthedocs.io/ - - title: Xarray + - + title: Xarray text: Arreglos multidimensionales indexados y etiquetados para análisis y visualización avanzados. img: /images/content_images/arlib/xarray.png alttext: xarray url: https://xarray.pydata.org/en/stable/index.html - - title: Sparse + - + title: Sparse text: Librería de arreglos dispersos compatible con NumPy que se integra con el álgebra lineal dispersa de Dask y SciPy. img: /images/content_images/arlib/sparse.png alttext: sparse url: https://sparse.pydata.org/en/latest/ - - title: PyTorch + - + title: PyTorch text: Marco de aprendizaje profundo que acelera el camino desde la creación de prototipos de investigación hasta la implantación en producción. img: /images/content_images/arlib/pytorch-logo-dark.svg alttext: PyTorch url: https://pytorch.org/ - - title: TensorFlow + - + title: TensorFlow text: Una plataforma integral de aprendizaje automático para crear y desplegar fácilmente aplicaciones basadas en ML. img: /images/content_images/arlib/tensorflow-logo.svg alttext: TensorFlow url: https://www.tensorflow.org - - title: Arrow + - + title: Arrow text: Plataforma de desarrollo multilingüe para datos y análisis columnares en memoria. img: /images/content_images/arlib/arrow.png alttext: arrow url: https://arrow.apache.org/ - - title: xtensor + - + title: xtensor text: Arreglos multidimensionales con difusión y computación perezosa para análisis numérico. img: /images/content_images/arlib/xtensor.png alttext: xtensor url: https://github.com/xtensor-stack/xtensor-python - - title: Awkward Array + - + title: Awkward Array text: Manipular datos similares a JSON con expresiones similares a NumPy. img: /images/content_images/arlib/awkward.svg alttext: awkward url: https://awkward-array.org/ - - title: uarray + - + title: uarray text: Sistema de backend de Python que desacopla la API de la implementación; unumpy proporciona una API de NumPy. img: /images/content_images/arlib/uarray.png alttext: uarray url: https://uarray.org/en/latest/ - - title: tensorly + - + title: tensorly text: Aprendizaje tensorial, álgebra y backends para usar de manera fluida NumPy, PyTorch, TensorFlow o CuPy. img: /images/content_images/arlib/tensorly.png alttext: tensorly url: http://tensorly.org/stable/home.html scientificdomains: intro: - - text: Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy. - - text: "NumPy aporta la potencia de cálculo de lenguajes como C y Fortran a Python, un lenguaje mucho más fácil de aprender y utilizar. Con esta potencia viene la sencillez: una solución en NumPy suele ser clara y elegante." + - + text: Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy. + - + text: "NumPy aporta la potencia de cálculo de lenguajes como C y Fortran a Python, un lenguaje mucho más fácil de aprender y utilizar. Con esta potencia viene la sencillez: una solución en NumPy suele ser clara y elegante." libraries: - - title: Computación Cuántica + - + title: Computación Cuántica alttext: Un chip para computador. img: /images/content_images/sc_dom_img/quantum_computing.svg links: - - url: http://qutip.org + - + url: http://qutip.org label: QuTiP - - url: https://pyquil-docs.rigetti.com/en/stable + - + url: https://pyquil-docs.rigetti.com/en/stable label: PyQuil - - url: https://qiskit.org + - + url: https://qiskit.org label: Qiskit - - url: https://pennylane.ai + - + url: https://pennylane.ai label: PennyLane - - title: Computación Estadística + - + title: Computación Estadística alttext: Un gráfico lineal con la línea moviéndose hacia arriba. img: /images/content_images/sc_dom_img/statistical_computing.svg links: - - url: https://pandas.pydata.org/ + - + url: https://pandas.pydata.org/ label: Pandas - - url: https://www.statsmodels.org/ + - + url: https://www.statsmodels.org/ label: statsmodels - - url: https://xarray.pydata.org/en/stable/ + - + url: https://xarray.pydata.org/en/stable/ label: Xarray - - url: https://seaborn.pydata.org/ + - + url: https://seaborn.pydata.org/ label: Seaborn - - title: Procesamiento de Señales + - + title: Procesamiento de Señales alttext: Un gráfico de barras con valores positivos y negativos. img: /images/content_images/sc_dom_img/signal_processing.svg links: - - url: https://www.scipy.org/ + - + url: https://www.scipy.org/ label: SciPy - - url: https://pywavelets.readthedocs.io/ + - + url: https://pywavelets.readthedocs.io/ label: PyWavelets - - url: https://python-control.org/ + - + url: https://python-control.org/ label: python-control - - url: https://hyperspy.org/ + - + url: https://hyperspy.org/ label: HiperSpy - - title: Procesamiento de Imágenes + - + title: Procesamiento de Imágenes alttext: Una fotografía de las montañas. img: /images/content_images/sc_dom_img/image_processing.svg links: - - url: https://scikit-image.org/ + - + url: https://scikit-image.org/ label: Scikit-image - - url: https://opencv.org/ + - + url: https://opencv.org/ label: OpenCV - - url: https://mahotas.rtfd.io/ + - + url: https://mahotas.rtfd.io/ label: Mahotas - - title: Grafos y Redes + - + title: Grafos y Redes alttext: Un grafo simple. img: /images/content_images/sc_dom_img/sd6.svg links: - - url: https://networkx.org/ + - + url: https://networkx.org/ label: NetworkX - - url: https://graph-tool.skewed.de/ + - + url: https://graph-tool.skewed.de/ label: graph-tool - - url: https://igraph.org/python/ + - + url: https://igraph.org/python/ label: igraph - - url: https://pygsp.rtfd.io/ + - + url: https://pygsp.rtfd.io/ label: PyGSP - - title: Astronomía + - + title: Astronomía alttext: Un telescopio. img: /images/content_images/sc_dom_img/astronomy_processes.svg links: - - url: https://www.astropy.org/ + - + url: https://www.astropy.org/ label: AstroPy - - url: https://sunpy.org/ + - + url: https://sunpy.org/ label: SunPy - - url: https://spacepy.github.io/ + - + url: https://spacepy.github.io/ label: SpacePy - - title: Psicología Cognitiva + - + title: Psicología Cognitiva alttext: Una cabeza humana con engranajes. img: /images/content_images/sc_dom_img/cognitive_psychology.svg links: - - url: https://www.psychopy.org/ + - + url: https://www.psychopy.org/ label: PsychoPy - - title: Bioinformática + - + title: Bioinformática alttext: Una hebra de ADN. img: /images/content_images/sc_dom_img/bioinformatics.svg links: - - url: https://biopython.org/ + - + url: https://biopython.org/ label: BioPython - - url: http://scikit-bio.org/ + - + url: http://scikit-bio.org/ label: Scikit-Bio - - url: https://github.com/openvax/pyensembl + - + url: https://github.com/openvax/pyensembl label: PyEnsembl - - url: http://etetoolkit.org/ + - + url: http://etetoolkit.org/ label: ETE - - title: Inferencia Bayesiana + - + title: Inferencia Bayesiana alttext: Un gráfico con una curva en forma de campanas. img: /images/content_images/sc_dom_img/bayesian_inference.svg links: - - url: https://pystan.readthedocs.io/en/latest/ + - + url: https://pystan.readthedocs.io/en/latest/ label: PyStan - - url: https://docs.pymc.io/ + - + url: https://docs.pymc.io/ label: PyMC3 - - url: https://arviz-devs.github.io/arviz/ + - + url: https://arviz-devs.github.io/arviz/ label: ArviZ - - url: https://emcee.readthedocs.io/ + - + url: https://emcee.readthedocs.io/ label: emcee - - title: Análisis Matemático + - + title: Análisis Matemático alttext: Cuatro símbolos matemáticos. img: /images/content_images/sc_dom_img/mathematical_analysis.svg links: - - url: https://www.scipy.org/ + - + url: https://www.scipy.org/ label: SciPy - - url: https://www.sympy.org/ + - + url: https://www.sympy.org/ label: SymPy - - url: https://www.cvxpy.org/ + - + url: https://www.cvxpy.org/ label: cvxpy - - url: https://fenicsproject.org/ + - + url: https://fenicsproject.org/ label: FEniCS - - title: Química + - + title: Química alttext: Un tubo de ensayo. img: /images/content_images/sc_dom_img/chemistry.svg links: - - url: https://cantera.org/ + - + url: https://cantera.org/ label: Cantera - - url: https://www.mdanalysis.org/ + - + url: https://www.mdanalysis.org/ label: MDAnalysis - - url: https://github.com/rdkit/rdkit + - + url: https://github.com/rdkit/rdkit label: RDKit - - url: https://www.pybamm.org/ + - + url: https://www.pybamm.org/ label: PyBaMM - - title: Geociencia + - + title: Geociencia alttext: La Tierra. img: /images/content_images/sc_dom_img/geoscience.svg links: - - url: https://pangeo.io/ + - + url: https://pangeo.io/ label: Pangeo - - url: https://simpeg.xyz/ + - + url: https://simpeg.xyz/ label: Simpeg - - url: https://github.com/obspy/obspy/wiki + - + url: https://github.com/obspy/obspy/wiki label: ObsPy - - url: https://www.fatiando.org/ + - + url: https://www.fatiando.org/ label: Fatiando a Terra - - title: Procesamiento Geográfico + - + title: Procesamiento Geográfico alttext: Un mapa. img: /images/content_images/sc_dom_img/GIS.svg links: - - url: https://shapely.readthedocs.io/ + - + url: https://shapely.readthedocs.io/ label: Shapely - - url: https://geopandas.org/ + - + url: https://geopandas.org/ label: GeoPandas - - url: https://python-visualization.github.io/folium + - + url: https://python-visualization.github.io/folium label: Folium - - title: Arquitectura e Ingeniería + - + title: Arquitectura e Ingeniería alttext: Una placa de desarrollo de microprocesadores. img: /images/content_images/sc_dom_img/robotics.svg links: - - url: https://compas.dev/ + - + url: https://compas.dev/ label: COMPAS - - url: https://cityenergyanalyst.com/ + - + url: https://cityenergyanalyst.com/ label: City Energy Analyst - Analista de Energía de Ciudad - - url: https://nortikin.github.io/sverchok/ + - + url: https://nortikin.github.io/sverchok/ label: Sverchok datascience: intro: "NumPy es el núcleo de un rico ecosistema de librerías de ciencia de datos. Un flujo de trabajo exploratorio típico de ciencia de datos podría verse así:" image1: - - img: /images/content_images/ds-landscape.png + - + img: /images/content_images/ds-landscape.png alttext: Diagrama de las librerías de Python. Las cinco categorías son "Extraer, Transformar, Cargar", "Exploración de Datos", "Modelado de Datos", "Evaluación de Datos" y "Presentación de Datos". image2: - - img: /images/content_images/data-science.png + - + img: /images/content_images/data-science.png alttext: Diagrama de tres círculos superpuestos. Los círculos se denominan "Matemáticas", "Ciencias de la Computación" y "Conocimientos Especializados". En el centro del diagrama, con los tres círculos superpuestos, hay un área denominada "Ciencia de datos". examples: - - text: "Extraer, Transformar, Cargar: [Pandas](https://pandas.pydata.org), [Intake](https://intake.readthedocs.io), [PyJanitor](https://pyjanitor.readthedocs.io/)" - - text: "Análisis Exploratorio: [Jupyter](https://jupyter.org), [Seaborn](https://seaborn.pydata.org), [Matplotlib](https://matplotlib.org), [Altair](https://altair-viz.github.io)" - - text: "Modelado y evaluación: [scikit-learn](https://scikit-learn.org), [statsmodels](https://www.statsmodels.org/stable/index.html), [PyMC3](https://docs.pymc.io), [spaCy](https://spacy.io)" - - text: "Informes en un panel de control: [Dash](https://plotly.com/dash), [Panel](https://panel.holoviz.org), [Voila](https://github.com/voila-dashboards/voila)" + - + text: "Extraer, Transformar, Cargar: [Pandas](https://pandas.pydata.org), [Intake](https://intake.readthedocs.io), [PyJanitor](https://pyjanitor.readthedocs.io/)" + - + text: "Análisis Exploratorio: [Jupyter](https://jupyter.org), [Seaborn](https://seaborn.pydata.org), [Matplotlib](https://matplotlib.org), [Altair](https://altair-viz.github.io)" + - + text: "Modelado y evaluación: [scikit-learn](https://scikit-learn.org), [statsmodels](https://www.statsmodels.org/stable/index.html), [PyMC3](https://docs.pymc.io), [spaCy](https://spacy.io)" + - + text: "Informes en un panel de control: [Dash](https://plotly.com/dash), [Panel](https://panel.holoviz.org), [Voila](https://github.com/voila-dashboards/voila)" content: - - text: Para grandes volúmenes de datos, [Dask](https://dask.org) y [Ray](https://ray.io/) están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos ([DVC](https://dvc.org)), rastreo de experimentos ([MLFlow](https://mlflow.org)), y automatización del flujo de trabajo ([Airflow](https://airflow.apache.org), [Dagster](https://dagster.io) y [Prefect](https://www.prefect.io)). + - + text: Para grandes volúmenes de datos, [Dask](https://dask.org) y [Ray](https://ray.io/) están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos ([DVC](https://dvc.org)), rastreo de experimentos ([MLFlow](https://mlflow.org)), y automatización del flujo de trabajo ([Airflow](https://airflow.apache.org), [Dagster](https://dagster.io) y [Prefect](https://www.prefect.io)). visualization: images: - - url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries + - + url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries img: /images/content_images/v_matplotlib.png alttext: Un diagrama de flujo hecho en matplotlib - - url: https://github.com/yhat/ggpy + - + url: https://github.com/yhat/ggpy img: /images/content_images/v_ggpy.png alttext: Un diagrama de dispersión hecho en ggpy - - url: https://www.journaldev.com/19692/python-plotly-tutorial + - + url: https://www.journaldev.com/19692/python-plotly-tutorial img: /images/content_images/v_plotly.png alttext: Un diagrama de caja hecho en plotly - - url: https://altair-viz.github.io/gallery/streamgraph.html + - + url: https://altair-viz.github.io/gallery/streamgraph.html img: /images/content_images/v_altair.png alttext: Un diagrama de flujo hecho en altair - - url: https://seaborn.pydata.org + - + url: https://seaborn.pydata.org img: /images/content_images/v_seaborn.png alttext: Un gráfico de pares de dos tipos de gráficos, un gráfico de trazado y un gráfico de frecuencias hecho en seaborn - - url: https://docs.pyvista.org/examples/index.html + - + url: https://docs.pyvista.org/examples/index.html img: /images/content_images/v_pyvista.png alttext: Un renderizado de volumen 3D realizado en PyVista. - - url: https://napari.org + - + url: https://napari.org img: /images/content_images/v_napari.png alttext: Una imagen multidimensional hecha en napari. - - url: https://vispy.org/gallery/index.html + - + url: https://vispy.org/gallery/index.html img: /images/content_images/v_vispy.png alttext: Un diagrama de Voronoi hecho en vispy. content: - - text: NumPy es un componente esencial en el floreciente [panorama de visualización de Python](https://pyviz.org/overviews/index.html), que incluye [Matplotlib](https://matplotlib.org), [Seaborn](https://seaborn.pydata.org), [Plotly](https://plot.ly), [Altair](https://altair-viz.github.io), [Bokeh](https://docs.bokeh.org/en/latest/), [Holoviz](https://holoviz.org), [Vispy](http://vispy.org), [Napari](https://github.com/napari/napari), y [PyVista](https://github.com/pyvista/pyvista), por nombrar algunos. - - text: El procesamiento acelerado de arreglos de gran tamaño de NumPy permite a los investigadores visualizar conjuntos de datos mucho mayores a los que el Python nativo podría manejar. + - + text: NumPy es un componente esencial en el floreciente [panorama de visualización de Python](https://pyviz.org/overviews/index.html), que incluye [Matplotlib](https://matplotlib.org), [Seaborn](https://seaborn.pydata.org), [Plotly](https://plot.ly), [Altair](https://altair-viz.github.io), [Bokeh](https://docs.bokeh.org/en/latest/), [Holoviz](https://holoviz.org), [Vispy](http://vispy.org), [Napari](https://github.com/napari/napari), y [PyVista](https://github.com/pyvista/pyvista), por nombrar algunos. + - + text: El procesamiento acelerado de arreglos de gran tamaño de NumPy permite a los investigadores visualizar conjuntos de datos mucho mayores a los que el Python nativo podría manejar. diff --git a/content/es/teams/index.md b/content/es/teams/index.md index f52f6bf873..4b5ecab22a 100644 --- a/content/es/teams/index.md +++ b/content/es/teams/index.md @@ -26,10 +26,10 @@ Somos un equipo internacional en una misión para apoyar a las comunidades cient {{< grid file="survey-team.toml" columns="2 3 4 5" />}} -### Mantenedores eméritos +### Emeritus maintainers {{< grid file="emeritus-maintainers.toml" columns="2 3 4 5" />}} -# Gobernanza +# Governance Para la lista de personas del Consejo Directivo, por favor ve [aquí](https://numpy.org/about/). diff --git a/content/es/user-survey-2020.md b/content/es/user-survey-2020.md index bf1f2f203e..7890663f36 100644 --- a/content/es/user-survey-2020.md +++ b/content/es/user-survey-2020.md @@ -14,8 +14,6 @@ width = '250' **[Descarga el informe](/surveys/NumPy_usersurvey_2020_report.pdf)** para ver a detalle los resultados de la encuesta. - Para los puntos destacados, echa un vistazo a **[esta infografía](https://github.com/numpy/numpy-surveys/blob/master/images/2020NumPysurveyresults_community_infographic.pdf)**. -¿Listo para una inmersión profunda? Visita **https://numpy.org/user-survey-2020-details/**. - +Ready for a deep dive? Visita **https://numpy.org/user-survey-2020-details/**. diff --git a/content/es/user-surveys.md b/content/es/user-surveys.md index ef8467358d..48eaf43e23 100644 --- a/content/es/user-surveys.md +++ b/content/es/user-surveys.md @@ -7,4 +7,4 @@ sidebar: false **2021** Los datos recolectados están siendo analizados actualmente. -Si tienes alguna pregunta o sugerencia sobre las encuestas pasadas o futuras, por favor abre una propuesta [aquí](https://github.com/numpy/numpy-surveys/issues). +Si tienes alguna pregunta o sugerencia sobre las encuestas pasadas o futuras, por favor abre una propuesta [aquí](https://github.com/numpy/numpy-surveys/issues). diff --git a/content/ja/404.md b/content/ja/404.md index 8e4db85255..8af76ac163 100644 --- a/content/ja/404.md +++ b/content/ja/404.md @@ -3,6 +3,6 @@ title: 404 sidebar: false --- -おっとっと！ 間違った所にアクセスしているようです。 +Oops! You've reached a dead end. -何かがここにページがあるべきだと思ったら、GitHub で [issue](https://github.com/numpy/numpy.org/issues) を作成してください。 +何かがここにページがあるべきだと思ったら、GitHub で [issue](https://github.com/numpy/numpy.org/issues) を作成してください。 diff --git a/content/ja/_index.md b/content/ja/_index.md index 1109f91332..29646d6db4 100644 --- a/content/ja/_index.md +++ b/content/ja/_index.md @@ -1,5 +1,5 @@ --- -title: +title: null --- {{< grid columns="1 2 2 3" >}} @@ -10,6 +10,7 @@ title = '強力な多次元配列' body = ''' NumPyの高速で多機能なベクトル化計算、インデックス処理、ブロードキャストの考え方は、現在の配列計算におけるデファクト・スタ>ンダードです。 ''' +''' [[item]] type = 'card' @@ -17,6 +18,15 @@ title = '数値計算ツール群' body = ''' NumPyは、様々な数学関数、乱数生成器、線形代数ルーチン、フーリエ変換などを提供しています。 ''' +''' + +[[item]] +type = 'card' +title = 'オープンソース' +body = ''' +NumPyは、寛容な[BSDライセンス](https://github.com/numpy/numpy/blob/main/LICENSE.txt)で公開されています。NumPyは活発で、互>いを尊重し、多様性を認め合う[コミュニティ](/ja/community)によって、 [GitHub](https://github.com/numpy/numpy)上でオープンに開発されていま +す. +''' [[item]] type = 'card' @@ -25,6 +35,7 @@ body = ''' NumPyは、幅広いハードウェアとコンピューティング・プラットフォームをサポートしており、分散処理、GPU、疎行列ライブラリにも対 応しています。 ''' +''' [[item]] type = 'card' @@ -32,6 +43,7 @@ title = '高パフォーマンス' body = ''' NumPyの大部分は最適化されたC言語のコードで構成されています。これによりPythonの柔軟性とコンパイルされたコードの高速性の両方 を享受できます。 +''' Enjoy the flexibility of Python with the speed of compiled code. ''' [[item]] @@ -40,13 +52,6 @@ title = '使いやすさ' body = ''' NumPyの高水準なシンタックスは、どんなバックグラウンドや経験を持つのプログラマーでも簡単に利用することができ、生産性を高め>ることができます。 ''' - -[[item]] -type = 'card' -title = 'オープンソース' -body = ''' -NumPyは、寛容な[BSDライセンス](https://github.com/numpy/numpy/blob/main/LICENSE.txt)で公開されています。NumPyは活発で、互>いを尊重し、多様性を認め合う[コミュニティ](/ja/community)によって、 [GitHub](https://github.com/numpy/numpy)上でオープンに開発されていま -す. ''' {{< /grid >}} diff --git a/content/ja/about.md b/content/ja/about.md index d153a89b33..626a3ff721 100644 --- a/content/ja/about.md +++ b/content/ja/about.md @@ -3,14 +3,13 @@ title: 私たちについて sidebar: false --- -NumPy は、Python で数値計算を可能にするためのオープンソースプロジェクトです。 NumPyは、NumericやNumarrayといった初期のライブラリのコードをもとに、2005年から開発が開始されました。 NumPyは完全にオープンソースなソフトウェアです。 そして、NumPyは[修正BSD ライセンス](https://github.com/numpy/numpy/blob/main/LICENSE.txt) の条項の下で、すべての人が利用可能です。 - -NumPy は 、NumPyコミュニティやより広範な科学計算用Python コミュニティとの合意のもと、GitHub 上でオープンに開発されています。 NumPyのガバナンス方法の詳細については、 [Governance Document](https://www.numpy.org/devdocs/dev/governance/index.html) をご覧ください。 +NumPy は、Python で数値計算を可能にするためのオープンソースプロジェクトです。 NumPyは、NumericやNumarrayといった初期のライブラリのコードをもとに、2005年から開発が開始されました。 NumPyは完全にオープンソースなソフトウェアです。 そして、NumPyは[修正BSD ライセンス](https://github.com/numpy/numpy/blob/main/LICENSE.txt) の条項の下で、すべての人が利用可能です。 It was created in 2005 building on the early work of the Numeric and Numarray libraries. NumPy will always be 100% open source software and free for all to use. It is released under the liberal terms of the [modified BSD license](https://github.com/numpy/numpy/blob/main/LICENSE.txt). +NumPy は 、NumPyコミュニティやより広範な科学計算用Python コミュニティとの合意のもと、GitHub 上でオープンに開発されています。 NumPyのガバナンス方法の詳細については、 [Governance Document](https://www.numpy.org/devdocs/dev/governance/index.html) をご覧ください。 For more information on our governance approach, please see our [Governance Document](https://www.numpy.org/devdocs/dev/governance/index.html). ## 運営委員会 -Numpy運営委員会はこのプロジェクトの管理組織です。 その役割は、Numpy コミュニティと協力し、Numpyのソフトウェアサービスを確実にユーザに提供することです。 ソフトウェアパッケージとコミュニティの両方において、プロジェクトの長期的な持続可能性を保っていきます。 NumPy運営委員会は現在以下のメンバーで構成されています (姓のアルファベット順): +The NumPy Steering Council is the project's governing body. Its role is to ensure, through working with and serving the broader NumPy community, the long-term sustainability of the project, both as a software package and community. The NumPy Steering Council currently consists of the following members (in alphabetical order, by last name): - Sebastian Berg - Ralf Gommers @@ -22,7 +21,7 @@ Numpy運営委員会はこのプロジェクトの管理組織です。 その - Melissa Weber Mendonça - Eric Wieser -過去のメンバー +Emeritus: - Alex Griffing (2015-2017) - Allan Haldane (2015-2021) @@ -41,11 +40,11 @@ Numpy プロジェクトのコアメンバーは、プロジェクトへの貢 - 開発 - ドキュメント -- トリアージ +- triage - ウェブサイト - 調査 - 翻訳 -- スプリントのメンター +- sprint mentors - 最適化 - 資金と助成金 @@ -64,10 +63,9 @@ Numpy プロジェクトのコアメンバーは、プロジェクトへの貢 NumPyは以下の団体から直接資金援助を受けています。 {{< sponsors >}} - ## パートナー団体 -パートナー団体は、NumPyへの開発を仕事の一つとして、社員を雇っている団体です。 現在のパートナー団体としては、下記の通りです。 +パートナー団体は、NumPyへの開発を仕事の一つとして、社員を雇っている団体です。 現在のパートナー団体としては、下記の通りです。 Current Institutional Partners include: - カルフォルニア大学 バークレー校 (Stéfan van der Walt) - Quansight (Nathan Goldbaum, Ralf Gommers, Matti Picus, Melissa Weber Mendonça) @@ -75,16 +73,14 @@ NumPyは以下の団体から直接資金援助を受けています。 {{< partners >}} - ## 寄付 -NumPy があなたの仕事や研究、ビジネスで役に立った場合、できる範囲で良いので、是非、NumPyプロジェクトへの寄付を検討して頂けると助かります。 少額の寄付でも大きな助けになります。 すべての寄付は、NumPyのオープンソースソフトウェア、ドキュメント、コミュニティの開発のために使用されることが約束されています。 +NumPy があなたの仕事や研究、ビジネスで役に立った場合、できる範囲で良いので、是非、NumPyプロジェクトへの寄付を検討して頂けると助かります。 少額の寄付でも大きな助けになります。 すべての寄付は、NumPyのオープンソースソフトウェア、ドキュメント、コミュニティの開発のために使用されることが約束されています。 Any amount helps! All donations will be used strictly to fund the development of NumPy’s open source software, documentation, and community. -NumPy は NumFOCUS にスポンサーされたプロジェクトであり、米国の 501(c)(3) 非営利の慈善団体でもあります。 NumFOCUSは、NumPyプロジェクトに財政、法務、管理面でのサポートを提供し、プロジェクトの安定と持続可能性を保つ手助けをしています。 詳細については、 [numfocus.org](https://numfocus.org) をご覧ください。 +NumPy is a Sponsored Project of NumFOCUS, a 501(c)(3) nonprofit charity in the United States. NumFOCUS provides NumPy with fiscal, legal, and administrative support to help ensure the health and sustainability of the project. Visit [numfocus.org](https://numfocus.org) for more information. -NumPy への寄付は [NumFOCUS](https://numfocus.org) によって管理されています。 米国の寄付提供者の場合、その人の寄付は法律によって定められる範囲で免税されます。 但し、他の寄付と同様に、あなたはあなたの税務状況について、あなたの税務担当と相談する必要があることを忘れないで下さい。 +NumPy は NumFOCUS にスポンサーされたプロジェクトであり、米国の 501(c)(3) 非営利の慈善団体でもあります。 NumFOCUSは、NumPyプロジェクトに財政、法務、管理面でのサポートを提供し、プロジェクトの安定と持続可能性を保つ手助けをしています。 詳細については、 [numfocus.org](https://numfocus.org) をご覧ください。 NumPy への寄付は [NumFOCUS](https://numfocus.org) によって管理されています。 米国の寄付提供者の場合、その人の寄付は法律によって定められる範囲で免税されます。 但し、他の寄付と同様に、あなたはあなたの税務状況について、あなたの税務担当と相談する必要があることを忘れないで下さい。 As with any donation, you should consult with your tax advisor about your particular tax situation. NumPyの運営委員会は、受け取った資金をどのように使えば良いかを検討し、使用する方法について決定します. NumPyに関する技術とインフラの投資の優先順位に関しては、[NumPy Roadmap](https://www.numpy.org/neps/index.html#roadmap) に記載されています。 {{}} - diff --git a/content/ja/arraycomputing.md b/content/ja/arraycomputing.md index 7713e7e0f2..7b60583a4b 100644 --- a/content/ja/arraycomputing.md +++ b/content/ja/arraycomputing.md @@ -3,19 +3,27 @@ title: 配列演算 sidebar: false --- -*配列演算は統計、数学、科学計算の基礎です。可視化、信号処理、画像処理、生命情報学、機械学習、人工知能など、現代のデータサイエンスやデータ分析の様々な分野で配列演算は中核を担っています。* +_Array computing is the foundation of statistical, mathematical, scientific computing +in various contemporary data science and analytics applications such as data +visualization, digital signal processing, image processing, bioinformatics, +machine learning, AI, and several others._ -大規模なデータ処理やデータ変換には、効率的な配列演算が重要です。 データ分析や、機械学習、効率的な数値計算に最適な言語のひとつは **Python** です。 +Large scale data manipulation and transformation depends on efficient, +high-performance array computing. The language of choice for data analytics, +machine learning, and productive numerical computing is **Python.** **Num**erical **Py**thon: NumPyは、Pythonにおけるデファクトスタンダードなライブラリであり、大規模な多次元配列や行列、そして、それらの配列を処理する様々な分野の数学ルーチンをサポートしています。 2006年にNumPyが発表されてから、2008年にPandasが登場し、その後、数年間にいくつかの配列演算関連のライブラリが次々と現れるようになりました。 これらの新しい配列演算ライブラリの多くは、NumPyの機能や能力を模倣しており、機械学習や人工知能向けの新しいアルゴリズムや機能を持っています。 +Many of these newer libraries mimic NumPy-like features and capabilities, and +pack newer algorithms and features geared towards machine learning and artificial intelligence applications. arraycl +src="/images/content_images/array_c_landscape.png" +alt="arraycl" +title="配列演算の概略" /> -**配列演算** は **配列** のデータ構造に基づいています。 *配列* は、関連する膨大なデータ群を簡単にかつ高速に、ソート、検索、変換、数学処理できるように構成されています。 +**配列演算** は **配列** のデータ構造に基づいています。 _配列_ は、関連する膨大なデータ群を簡単にかつ高速に、ソート、検索、変換、数学処理できるように構成されています。 大規模なデータ処理やデータ変換には、効率的な配列演算が重要です。 データ分析や、機械学習、効率的な数値計算に最適な言語のひとつは **Python** です。 -配列演算は *一度に* 配列のデータの複数の要素を操作するため、 * ユニーク* な処理と言えます。 これは、配列操作が一回の処理で、配列内の 全ての値に適用されることを意味しています。 このベクトル化手法は、速さと単純さという恩恵をもたらします。 プログラマーはループを回して個々の要素のスカラー演算を行うことなく、データの集合を操作しコーディングすることができるのです。 +_配列演算は統計、数学、科学計算の基礎です。可視化、信号処理、画像処理、生命情報学、機械学習、人工知能など、現代のデータサイエンスやデータ分析の様々な分野で配列演算は中核を担っています。_ What this means is that any array operation applies to an entire set of +values in one shot. 配列演算は _一度に_ 配列のデータの複数の要素を操作するため、 \* ユニーク\* な処理と言えます。 これは、配列操作が一回の処理で、配列内の 全ての値に適用されることを意味しています。 このベクトル化手法は、速さと単純さという恩恵をもたらします。 プログラマーはループを回して個々の要素のスカラー演算を行うことなく、データの集合を操作しコーディングすることができるのです。 diff --git a/content/ja/case-studies/blackhole-image.md b/content/ja/case-studies/blackhole-image.md index 7d7dfb2505..163d6347e0 100644 --- a/content/ja/case-studies/blackhole-image.md +++ b/content/ja/case-studies/blackhole-image.md @@ -1,5 +1,5 @@ --- -title: "ケーススタディ：世界初のブラックホール画像" +title: ケーススタディ：世界初のブラックホール画像 sidebar: false --- @@ -12,37 +12,50 @@ attrk = 'https://www.jpl.nasa.gov/images/universe/90410/blackhole20190410.jpg' {{< /figure >}} {{< blockquote - cite="https://www.youtube.com/watch?v=BIvezCVcsYs" - by="*カリフォルニア工科大学 計算・数理学部*のKatie Bouman助教授" ->}} -M87ブラックホールを画像化することは、見ることのできないものを、あえて見ようとするようなものです。 -{{< /blockquote >}} +cite="https://www.youtube.com/watch?v=BIvezCVcsYs" +by="_カリフォルニア工科大学 計算・数理学部_のKatie Bouman助教授" + +> }} +> M87ブラックホールを画像化することは、見ることのできないものを、あえて見ようとするようなものです。 +> {{< /blockquote >}} +> {{< /blockquote >}} ## 地球大の望遠鏡 -[Event Horizon telescope(EHT)](https:/eventhorizontelescope.org)は、地球サイズの解析望遠鏡を形成する8台の地上型電波望遠鏡から成るシステムで、これまでに前例のない感度と解像度で宇宙を研究することができます。 超長基線干渉法(VLBI) と呼ばれる手法を用いた巨大な仮想望遠鏡の角度分解能は、[20マイクロ秒][resolution]で、ニューヨークにある新聞をパリの歩道のカフェから読むのに十分な解像度です! +[Event Horizon telescope(EHT)](https:/eventhorizontelescope.org)は、地球サイズの解析望遠鏡を形成する8台の地上型電波望遠鏡から成るシステムで、これまでに前例のない感度と解像度で宇宙を研究することができます。 超長基線干渉法(VLBI) と呼ばれる手法を用いた巨大な仮想望遠鏡の角度分解能は、[20マイクロ秒][resolution]で、ニューヨークにある新聞をパリの歩道のカフェから読むのに十分な解像度です! The huge virtual telescope, which uses a technique +called very-long-baseline interferometry (VLBI), has an angular resolution of +[20 micro-arcseconds][resolution] — enough to read a newspaper in New York +from a sidewalk café in Paris! + +[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole ### 主な目標と結果 -* **宇宙の新しい見方:** EHTの画期的な考え方の基礎が築かれたのは、100年前に [Sir Arthur Eddington][eddington]がアインシュタインの一般相対性理論に沿った最初の観測を実施したことが始まりでした。 +- **宇宙の新しい見方:** EHTの画期的な考え方の基礎が築かれたのは、100年前に [Sir Arthur Eddington][eddington]がアインシュタインの一般相対性理論に沿った最初の観測を実施したことが始まりでした。 -* **ブラックホール:** EHTは、おとめ座銀河団のメシエ87銀河 (M87) の中心にある、地球から約5500万光年の距離にある超巨大ブラックホールを観測しました。 その質量は、太陽の65億倍です。 [100年以上](https://www.jpl.nasa.gov/news/news.php?feature=7385)に渡る研究が行われてもなお、これまでに視覚的にブラックホールを観測できたことはありませんでした。 +- **ブラックホール:** EHTは、おとめ座銀河団のメシエ87銀河 (M87) の中心にある、地球から約5500万光年の距離にある超巨大ブラックホールを観測しました。 その質量は、太陽の65億倍です。 [100年以上](https://www.jpl.nasa.gov/news/news.php?feature=7385)に渡る研究が行われてもなお、これまでに視覚的にブラックホールを観測できたことはありませんでした。 Its mass is + 6.5 billion times the Sun's. It had been studied for + [over 100 years](https://www.jpl.nasa.gov/news/news.php?feature=7385), but never before + had a black hole been visually observed. -* **観測と理論の比較:** 科学者たちの間で、アインシュタインの一般相対性理論から、重力による光の曲げや光の捕獲による影のような領域が観測できるのではないかと期待されていました。 これはブラックホールの巨大な質量を測定するために利用することができます。 +- **観測と理論の比較:** 科学者たちの間で、アインシュタインの一般相対性理論から、重力による光の曲げや光の捕獲による影のような領域が観測できるのではないかと期待されていました。 これはブラックホールの巨大な質量を測定するために利用することができます。 EHTの共同研究では、最先端の画像再構成技術を使用して、それぞれのチームがデータを評価することによって、これらの課題に対処しました。 それぞれのチームの解析結果が同じであることが証明されると、それらの結果を組み合わせることで、ブラックホール画像を得ることができました。 + +[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment ### 課題 -* **大規模な計算** +- **大規模な計算** - EHTは膨大なデータ処理の課題を抱えていました。 大気の位相変動は急速で、記録帯域の幅は大きく、望遠鏡はそれぞれ異なっていて地理的にも分散しています。 + EHTは膨大なデータ処理の課題を抱えていました。 大気の位相変動は急速で、記録帯域の幅は大きく、望遠鏡はそれぞれ異なっていて地理的にも分散しています。 -* **大量のデータ** +- **大量のデータ** - EHTは一日で350テラバイトを超える観測データを生成し、ヘリウムで満たされたハードドライブに保存しています。 この大量のデータとデータの複雑さを軽減することは非常に難しいことです。 + EHTは一日で350テラバイトを超える観測データを生成し、ヘリウムで満たされたハードドライブに保存しています。 この大量のデータとデータの複雑さを軽減することは非常に難しいことです。 Reducing the volume and complexity of this much + data is enormously difficult. -* **よくわからないものを観測する** +- **よくわからないものを観測する** - 今までに見たことのないものを見るのが研究の目標なら、どうやって科学者はその画像が正しいと確信することができるのでしょうか? + 今までに見たことのないものを見るのが研究の目標なら、どうやって科学者はその画像が正しいと確信することができるのでしょうか? {{< figure >}} src = '/images/content_images/cs/dataprocessbh.png' @@ -55,9 +68,13 @@ attributionlink = 'https://iopscience.iop.org/article/10.3847/2041-8213/ab0c57' ## NumPyが果たした役割 -データに問題がある場合はどうなるでしょう？ あるいは、アルゴリズムが特定の仮定に あまりにも大きく依存しているかもしれません。 もしあるパラメータを変更した場合、画像は大きく変化するのでしょうか？ +What if there's a problem with the data? Or perhaps an algorithm relies too +heavily on a particular assumption. データに問題がある場合はどうなるでしょう？ あるいは、アルゴリズムが特定の仮定に あまりにも大きく依存しているかもしれません。 もしあるパラメータを変更した場合、画像は大きく変化するのでしょうか？ -EHTの共同研究では、最先端の画像再構成技術を使用して、それぞれのチームがデータを評価することによって、これらの課題に対処しました。 それぞれのチームの解析結果が同じであることが証明されると、それらの結果を組み合わせることで、ブラックホール画像を得ることができました。 +The EHT collaboration met these challenges by having independent teams +evaluate the data, using both established and cutting-edge image reconstruction +techniques. When results proved consistent, they were combined to yield the +first-of-a-kind image of the black hole. 彼らの研究は、共同のデータ解析を通じて科学を進歩させる、科学的なPythonエコシステムが果たす役割を如実に表しています。 @@ -68,6 +85,9 @@ title = 'ブラックホール画像化でNumPyが果たした役割' {{< /figure >}} 例えば、 [`eht-imaging`][ehtim] というPython パッケージは VLBI データで画像の再構築をシミュレートし、実行するためのツールです。 NumPyは、以下のソフトウェア依存関係チャートで示されているように、このパッケージで使用される配列データ処理の中核を担っています。 +NumPy is at the core of array data processing used +in this package, as illustrated by the partial software +dependency chart below. {{< figure >}} src = '/images/content_images/cs/ehtim_numpy.png' @@ -75,23 +95,28 @@ alt = 'ehtim dependency map highlighting numpy' title = 'NumPyの中心としたehtimのソフトウェア依存図' {{< /figure >}} +[ehtim]: https://github.com/achael/eht-imaging + +Besides NumPy, many other packages, such as +[SciPy](https://www.scipy.org) and [Pandas](https://pandas.io), are part of the +data processing pipeline for imaging the black hole. NumPyだけでなく、[SciPy](https://www.scipy.org)や[Pandas](https://pandas.io)などのパッケージもブラックホール画像化におけるデータ処理パイプラインに利用されています。 天文学の標準的なファイル形式や時間/座標変換 は[Astropy][astropy]で実装され、ブラックホールの最終画像の生成を含め、解析パイプライン全体でのデータ可視化には [Matplotlib][mpl]が利用されました。 +[astropy]: https://www.astropy.org/ +[mpl]: https://matplotlib.org/ + ## まとめ -NumPyの中心的な機能である、効率的で適用性の高いn次元配列は、研究者が大規模な数値データを操作することを可能にし、世界で初めてのブラックホールの画像化の基礎を築きました。 アインシュタインの理論に素晴らしい視覚的証拠を与えたのは、科学の画期的な瞬間だといえます。 この科学的に偉大な達成には、技術的の飛躍的な進歩だけでなく、200人以上の科学者と世界で 最高の電波観測所の間での国際協力も寄与しました。 革新的なアルゴリズムとデータ処理技術は、既存の天文学モデルを改良し、宇宙の謎を解き明かす助けになったといえます。 +NumPyの中心的な機能である、効率的で適用性の高いn次元配列は、研究者が大規模な数値データを操作することを可能にし、世界で初めてのブラックホールの画像化の基礎を築きました。 アインシュタインの理論に素晴らしい視覚的証拠を与えたのは、科学の画期的な瞬間だといえます。 この科学的に偉大な達成には、技術的の飛躍的な進歩だけでなく、200人以上の科学者と世界で 最高の電波観測所の間での国際協力も寄与しました。 革新的なアルゴリズムとデータ処理技術は、既存の天文学モデルを改良し、宇宙の謎を解き明かす助けになったといえます。 A landmark moment in +science, it gives stunning visual evidence of Einstein’s theory. The +achievement encompasses not only technological breakthroughs but also +international collaboration among over 200 scientists and some of the world's +best radio observatories. Innovative algorithms and data processing +techniques, improving upon existing astronomical models, helped unfold a +mystery of the universe. {{< figure >}} src = '/images/content_images/cs/numpy_bh_benefits.png' alt = 'numpy benefits' title = '利用されたNumPyの主要機能' {{< /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/ja/case-studies/cricket-analytics.md b/content/ja/case-studies/cricket-analytics.md index b76249853f..2bbc4690ee 100644 --- a/content/ja/case-studies/cricket-analytics.md +++ b/content/ja/case-studies/cricket-analytics.md @@ -12,26 +12,47 @@ attributionlink = 'https://unsplash.com/@aksh1802' {{< /figure >}} {{< blockquote - cite="https://www.scoopwhoop.com/sports/ms-dhoni/" - by="M S Dhoni、 *インディアンチームの元キャプテン、インターナショナル・クリケットプレイヤー、チェンナイ・スーパー・キングスのためにIPLでプレイ*" ->}} -観客のために競技をするのではなく、国のために競技するのです。 -{{< /blockquote >}} +cite="https://www.scoopwhoop.com/sports/ms-dhoni/" +by="M S Dhoni、 _インディアンチームの元キャプテン、インターナショナル・クリケットプレイヤー、チェンナイ・スーパー・キングスのためにIPLでプレイ_" -## クリケットについて - -インド人はクリケットが大好きだと言っても過言ではないでしょう。 この競技は、他のスポーツと異なり、インドの農村部や都市部を問わず、あらゆる場所でプレイされており、若者から年配の方まで広く人気があり、インドでは何十億人もの人々を結びつける役割を担っています。 クリケットは多くのメディアの注目を集めています。 クリケットは多くのメディアの注目を集め、非常に[多額のお金](https://www.statista.com/topics/4543/indian-premier-league-ipl/)と名声がかかっています。 過去数年間、テクノロジーは文字通りクリケットの試合を変えてきました。 視聴者はストリーミングメディア、トーナメント、モバイルベースの手頃なアクセスによるライブクリケット視聴などを享受しています。 - -インドプレミアリーグ (IPL) は、2008年に設立された20チームから成るプロクリケットリーグです。 これは世界で最も参加者が多いクリケットイベントの1つで、2019年の市場規模は[67億ドル](https://en.wikipedia.org/wiki/Indian_Premier_League)だと評価されています。 +> }} +> You don't play for the crowd, you play for the country. +> {{< /blockquote >}} -クリケットは数のゲームです。 バッツマンによってスコアされたランの数、ボウラーによって取られたウィケットの数、クリケットチームによって獲得した試合の数、バッツマンがボウリング攻撃に特定の方法で応答する回数。 クリケットの数字を掘り下げてパフォーマンスを向上させるとともに、NumPyなどの数値計算ソフトウェアを利用した強力な分析ツールを介して、クリケットのビジネスチャンス、市場全体、経済性を研究することは、大きな意味を持ちます。 クリケット分析は、試合に関する興味深い洞察と、ゲームの結果に関する予測AIを提供します。 - -現在では、クリケットゲームの記録と 利用可能な統計データは豊富で、ほぼ無限の宝の山だと言えます。 : [ESPN cricinfo や](https://stats.espncricinfo.com/ci/engine/stats/index.html) [cricsheet](https://cricsheet.org). これらのクリケットデータベースは、最新の機械学習と予測モデリングアルゴリズムを使用して、 [クリケット 分析](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances) に使用されています。 メディアやプロスポーツ団体のエンターテインメントプラットフォームは、技術や分析を利用し、試合勝率を向上させるために、下記のような要素が主要なメトリックだと考え始めています。 +## クリケットについて -* バッティング成績の移動平均 -* スコア予測 -* プレイヤーの体力や、異なる相手に対するパフォーマンスについての洞察 -* チーム構成に戦略的な決定を下すための、各勝敗へのプレイヤーの貢献 +It would be an understatement to state that Indians love cricket. The game is +played in just about every nook and cranny of India, rural or urban, popular +with the young and the old alike, connecting billions in India unlike any other sport. +Cricket enjoys lots of media attention. There is a significant amount of +[money](https://www.statista.com/topics/4543/indian-premier-league-ipl/) and +fame at stake. Over the last several years, technology has literally been a game +changer. Audiences are spoilt for choice with streaming media, tournaments, +affordable access to mobile based live cricket watching, and more. + +IPLは、クリケットを古典的なテストマッチ形式から、はるかに大規模に拡大させました。 毎シーズン、様々なフォーマットで行われる試合の数は増加しており、データ、アルゴリズム、最新のスポーツデータ分析技術、シミュレーションモデルも増加しています。 クリケットのデータ分析には、フィールドマッピング、プレイヤートラッキング、ボールトラッキング、プレイヤーショット分析、およびボールがどのように動くのか、その角度、スピン、速度、軌道など、他の沢山の種類のデータを必要とします。 これらの要因により、データクリーニングと前処理の複雑さが増してしまいました。 インドプレミアリーグ (IPL) は、2008年に設立された20チームから成るプロクリケットリーグです。 これは世界で最も参加者が多いクリケットイベントの1つで、2019年の市場規模は[67億ドル](https://en.wikipedia.org/wiki/Indian_Premier_League)だと評価されています。 + +Cricket is a game of numbers - the runs scored by a batsman, the wickets taken +by a bowler, the matches won by a cricket team, the number of times a batsman +responds in a certain way to a kind of bowling attack, etc. The capability to +dig into cricketing numbers for both improving performance and studying +the business opportunities, overall market, and economics of cricket via powerful +analytics tools, powered by numerical computing software such as NumPy, is a big +deal. Cricket analytics provides interesting insights into the game and +predictive intelligence regarding game outcomes. + +現在では、クリケットゲームの記録と 利用可能な統計データは豊富で、ほぼ無限の宝の山だと言えます。 : [ESPN cricinfo や](https://stats.espncricinfo.com/ci/engine/stats/index.html) [cricsheet](https://cricsheet.org). These and several such cricket databases +have been used for cricket +analysis +using the latest machine learning and predictive modelling algorithms. +Media and entertainment platforms along with professional sports bodies +associated with the game use technology and analytics for determining key +metrics for improving match winning chances: + +- バッティング成績の移動平均 +- スコア予測 +- プレイヤーの体力や、異なる相手に対するパフォーマンスについての洞察 +- チーム構成に戦略的な決定を下すための、各勝敗へのプレイヤーの貢献 {{< figure >}} src = '/images/content_images/cs/cricket-pitch.png' @@ -44,9 +65,9 @@ attributionlink = 'http://debarghyadas.com/files/IPLpaper.pdf' ### データ分析の主要な目標 -* スポーツデータ分析はクリケットだけでなく、チーム全体のパフォーマンスを向上させ、勝利率を最大限に高めるために、 [他のスポーツ](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx)でも使用されています。 -* リアルタイムデータ分析は、ゲーム中の洞察を得ることができ、チームや関連ビジネスが経済的利益と成長のために戦術を変更するためも役立ちます。 -* 履歴分析に加えて、予測モデルは可能性のある結果を求めることができますが、かなりの数のナンバークランチングとデータサイエンスのノウハウ、可視化ツール、および分析に新しい観測データを含める機能などが必要になります。 +- スポーツデータ分析はクリケットだけでなく、チーム全体のパフォーマンスを向上させ、勝利率を最大限に高めるために、 [他のスポーツ](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx)でも使用されています。 +- リアルタイムデータ分析は、ゲーム中の洞察を得ることができ、チームや関連ビジネスが経済的利益と成長のために戦術を変更するためも役立ちます。 +- 履歴分析に加えて、予測モデルは可能性のある結果を求めることができますが、かなりの数のナンバークランチングとデータサイエンスのノウハウ、可視化ツール、および分析に新しい観測データを含める機能などが必要になります。 {{< figure >}} src = '/images/content_images/cs/player-pose-estimator.png' @@ -58,29 +79,62 @@ attributionlink = 'https://connect.vin/2019/05/ai-for-cricket-batsman-pose-analy ### 課題 -* **データのクリーニングと前処理** +- **データのクリーニングと前処理** - IPLは、クリケットを古典的なテストマッチ形式から、はるかに大規模に拡大させました。 毎シーズン、様々なフォーマットで行われる試合の数は増加しており、データ、アルゴリズム、最新のスポーツデータ分析技術、シミュレーションモデルも増加しています。 クリケットのデータ分析には、フィールドマッピング、プレイヤートラッキング、ボールトラッキング、プレイヤーショット分析、およびボールがどのように動くのか、その角度、スピン、速度、軌道など、他の沢山の種類のデータを必要とします。 これらの要因により、データクリーニングと前処理の複雑さが増してしまいました。 + IPL has expanded cricket beyond the classic test match format to a much + larger scale. The number of matches played every season across various + formats has increased and so has the data, the algorithms, newer sports data + analysis technologies and simulation models. Cricket data analysis requires + field mapping, player tracking, ball tracking, player shot analysis, and + several other aspects involved in how the ball is delivered, its angle, spin, + velocity, and trajectory. All these factors together have increased the + complexity of data cleaning and preprocessing. -* **動的モデリング** +- **動的モデリング** - クリケットでは、他のスポーツと同様、フィールド上の選手の様々な数字を追跡するために、関連する変数の数が多くなってしまいがちです。 たとえば、ボールやその属性情報、およびいくつかの行動をとるアクションのいくつかの可能性などの変数です。 データ分析とモデリングの複雑さは、分析中に必要となる予測のための質問の種類に正比例しており、データ表現とモデルにも大きく依存しています。 バッツマンが異なる角度や速度でボールを打った場合に何が起こるのかのような、動的なクリケットのプレーの予測が必要な場合、計算量やデータ比較が更に困難になります。 + In cricket, just like any other sport, + there can be a large number of variables related to tracking various numbers + of players on the field, their attributes, the ball, and several possibilities + of potential actions. The complexity of data analytics and modeling is + directly proportional to the kind of predictive questions that are put forth + during analysis and are highly dependent on data representation and the + model. Things get even more challenging in terms of computation, data + comparisons when dynamic cricket play predictions are sought such as what + would have happened if the batsman had hit the ball at a different angle or + velocity. -* **予測分析の複雑さ** +- **予測分析の複雑さ** クリケットにおいて、意思決定の多くは「ボウラーがある特定のタイプの場合、打者はどのくらいの頻度で特定の種類のショットを打つのか」「バッツマンが特定の方法であるボウラーに反応した場合、ボウラーはどのようにラインと長さを変更するのか 」などの質問に基づいています。 この種の予測分析クエリでは、精度の良いデータセットが利用できることと、データを合成して高精度な生成モデルを作成できることが必要とされます。 + This kind of predictive analytics query requires highly granular dataset + availability and the capability to synthesize data and create generative + models that are highly accurate. ## クリケット解析におけるNumPyの役割 -スポーツ分析は現在、非常に盛んな分野です。 多くの研究者や企業は、最新の機械学習やAI技術以外にも、NumPyや、Scikit-learn, SciPy, Matplotlib, Jupyterなどの他のPyDataパッケージを[使っています](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx)。 NumPyは以下のように、クリケット関連の様々なスポーツ分析に使用されています。 +Sports Analytics is a thriving field. スポーツ分析は現在、非常に盛んな分野です。 多くの研究者や企業は、最新の機械学習やAI技術以外にも、NumPyや、Scikit-learn, SciPy, Matplotlib, Jupyterなどの他のPyDataパッケージを[使っています](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx)。 NumPyは以下のように、クリケット関連の様々なスポーツ分析に使用されています。 NumPy has been used +for various kinds of cricket related sporting analytics such as: -* **統計分析:** NumPyの数値計算機能は、様々なプレイヤーやゲーム戦術のコンテキストでの観測データで、試合中のイベントの統計的有意性を推定し、生成モデルや静的モデルと比較して試合結果を推定するのに役立ちます。 [因果分析](https://amplitude.com/blog/2017/01/19/causation-correlation) と [ビッグデータアプローチ](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/)が戦術的分析に使用されています。 +- **統計分析:** NumPyの数値計算機能は、様々なプレイヤーやゲーム戦術のコンテキストでの観測データで、試合中のイベントの統計的有意性を推定し、生成モデルや静的モデルと比較して試合結果を推定するのに役立ちます。 [因果分析](https://amplitude.com/blog/2017/01/19/causation-correlation) と [ビッグデータアプローチ](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/)が戦術的分析に使用されています。 + [Causal analysis](https://amplitude.com/blog/2017/01/19/causation-correlation) + and [big data approaches](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/) + are used for tactical analysis. -* **データ可視化:** データのグラフ化・[可視化](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) は、さまざまなデータセット間の関係について、有益な洞察を与えてくれます。 +- **データ可視化:** データのグラフ化・[可視化](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) は、さまざまなデータセット間の関係について、有益な洞察を与えてくれます。 ## まとめ -スポーツアナリティクスは、プロの試合についてはまさにゲームチェンジャーです。 特に戦略的な意思決定については、最近まで主に「直感」や過去の伝統的な考え方に基づいて行われていたため、大きな影響があります。 NumPyは、データ分析・機械学習・人工知能のアルゴリズムに関連する高レベル関数を提供する沢山のPythonパッケージ群の、堅固な基盤となっています。 これらのパッケージは、ゲームの結果を変えるような意思決定を支援するリアルタイムのインサイトを得るため、クリケットの試合だけでなく関連する推論やビジネスの推進にも広く使用されています。 クリケットの試合結果につながる隠れたパラメータや、パターン、属性を見つけることは、ステークホルダーが数字や統計に隠されているゲームの洞察方法を見つけるのにも役に立つのです。 +Sports Analytics is a game changer when it comes to how professional games are +played, especially how strategic decision making happens, which until recently +was primarily done based on “gut feeling" or adherence to past traditions. NumPy +forms a solid foundation for a large set of Python packages which provide higher +level functions related to data analytics, machine learning, and AI algorithms. +These packages are widely deployed to gain real-time insights that help in +decision making for game-changing outcomes, both on field as well as to draw +inferences and drive business around the game of cricket. Finding out the +hidden parameters, patterns, and attributes that lead to the outcome of a +cricket match helps the stakeholders to take notice of game insights that are +otherwise hidden in numbers and statistics. {{< figure >}} src = '/images/content_images/cs/numpy_ca_benefits.png' diff --git a/content/ja/case-studies/deeplabcut-dnn.md b/content/ja/case-studies/deeplabcut-dnn.md index 006dacadbb..3f2fa6259e 100644 --- a/content/ja/case-studies/deeplabcut-dnn.md +++ b/content/ja/case-studies/deeplabcut-dnn.md @@ -12,17 +12,20 @@ attributionlink = 'http://www.mousemotorlab.org/deeplabcut' {{< /figure >}} {{< blockquote - cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/" - by="Alexander Mathis、 *准教授、École polytechnology fe’rale de Lausanne* ([EPFL](https://www.epfl.ch/en/))" ->}} -オープンソースソフトウェアは生体臨床医学を加速させています。 DeepLabCut を使用すると、深層学習を使用して動物の行動を自動的にビデオ解析することができます。 -{{< /blockquote >}} +cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/" +by="Alexander Mathis、 _准教授、École polytechnology fe’rale de Lausanne_ ([EPFL](https://www.epfl.ch/en/))" + +> }} +> Open Source Software is accelerating Biomedicine. }} +> オープンソースソフトウェアは生体臨床医学を加速させています。 DeepLabCut を使用すると、深層学習を使用して動物の行動を自動的にビデオ解析することができます。 +> {{< /blockquote >}} +> {{< /blockquote >}} ## DeepLabCut について -[DeepLabCut](https://github.com/DeepLabCut/DeepLabCut)は、ごくわずかなトレーニングデータで人間レベルの精度で実験動物の行動を追跡可能にするオープンソースのツールボックスです。 DeepLabCutの技術を使うことで、科学者は動物の種類と時系列のデータをもとに、運動制御と行動に関する科学的な理解を深めることができるようになりました。 +[DeepLabCut](https://github.com/DeepLabCut/DeepLabCut)は、ごくわずかなトレーニングデータで人間レベルの精度で実験動物の行動を追跡可能にするオープンソースのツールボックスです。 DeepLabCutの技術を使うことで、科学者は動物の種類と時系列のデータをもとに、運動制御と行動に関する科学的な理解を深めることができるようになりました。 With DeepLabCut technology, scientists can delve deeper into the scientific understanding of motor control and behavior across animal species and timescales. -神経科学、医学、生体力学などのいくつかの研究分野では、動物の動きを追跡したデータを使用しています。 DeepLabCutは、動画に記録された動きを解析することで、人間やその他の動物が何をしているのかを理解することができます。 タグ付けや監視などの、手間のかかる作業を自動化し、深層学習ベースのデータ解析を実施します。 DeepLabCutは、霊長類、マウス、魚、ハエなどの動物を観察する科学研究をより速く正確にしています。 +Several areas of research, including neuroscience, medicine, and biomechanics, use data from tracking animal movement. 神経科学、医学、生体力学などのいくつかの研究分野では、動物の動きを追跡したデータを使用しています。 DeepLabCutは、動画に記録された動きを解析することで、人間やその他の動物が何をしているのかを理解することができます。 タグ付けや監視などの、手間のかかる作業を自動化し、深層学習ベースのデータ解析を実施します。 DeepLabCutは、霊長類、マウス、魚、ハエなどの動物を観察する科学研究をより速く正確にしています。 DeepLabCutは、動物の姿勢推定技術を研究者が簡単に利用できるツールとして共有したいという考えから開発されています。 そこで開発者らはプロジェクト管理機能を備えた、単独で機能し、使いやすいPythonツールボックスとしてこのツールを作成しました。 これにより、姿勢推定を自動化するだけでなく、DeepLabCutツールキットユーザーをデータセット収集段階から共有可能・再利用可能な分析パイプラインを作成する段階まで補助し、プロジェクトをエンドツーエンドで管理することも可能になりました。 {{< figure >}} src = '/images/content_images/cs/race-horse.gif' @@ -31,23 +34,36 @@ alt = 'horserideranim' attribution = '(Source: Mackenzie Mathis)' {{< /figure >}} -DeepLabCutは、動物の姿勢を抽出することで非侵襲的な行動追跡を行います。 これは、生体力学、遺伝学、倫理学、神経科学などの分野での研究に必要不可欠です。 動的に変化する背景の中で、動物の姿勢をビデオデータから非侵襲的に測定することは、技術的にも、必要な計算リソースやトレーニングデータの点でも、非常に困難な計算処理です。 +DeepLabCutは、動物の姿勢を抽出することで非侵襲的な行動追跡を行います。 これは、生体力学、遺伝学、倫理学、神経科学などの分野での研究に必要不可欠です。 動的に変化する背景の中で、動物の姿勢をビデオデータから非侵襲的に測定することは、技術的にも、必要な計算リソースやトレーニングデータの点でも、非常に困難な計算処理です。 Measuring animal poses non-invasively from video - without markers - in dynamically changing backgrounds is computationally challenging, both technically as well as in terms of resource needs and training data required. + +DeepLabCut allows researchers to estimate the pose of the subject, efficiently enabling them to quantify the behavior through a Python based software toolkit. DeepLabCutは、研究者が対象の姿勢を推定し、Pythonベースのソフトウェアを使って効率的に対象の行動を定量化することを可能にします。 DeepLabCutを使用すると、研究者は動画から異なるフレームを識別し、数十個のフレームの特定の身体部位を、よくできたGUIによってラベルづけできます。 すると、DeepLabCutの深層学習ベースのポーズ推定アーキテクチャにより、動画の残りの部分や動物の他の類似した動画から同じ特徴を抽出する方法を学習できます。 ハエやマウスなどの一般的な実験動物から [チーター][cheetah-movement]のようなより珍しい動物まで、動物の種類を問わず利用できます。 It works across species of animals, from common laboratory animals such as flies and mice to more unusual animals like [cheetahs][cheetah-movement]. -DeepLabCutは、研究者が対象の姿勢を推定し、Pythonベースのソフトウェアを使って効率的に対象の行動を定量化することを可能にします。 DeepLabCutを使用すると、研究者は動画から異なるフレームを識別し、数十個のフレームの特定の身体部位を、よくできたGUIによってラベルづけできます。 すると、DeepLabCutの深層学習ベースのポーズ推定アーキテクチャにより、動画の残りの部分や動物の他の類似した動画から同じ特徴を抽出する方法を学習できます。 ハエやマウスなどの一般的な実験動物から [チーター][cheetah-movement]のようなより珍しい動物まで、動物の種類を問わず利用できます。 +[cheetah-movement]: https://www.technologynetworks.com/neuroscience/articles/interview-a-deeper-cut-into-behavior-with-mackenzie-mathis-327618 -DeepLabCutでは[転移学習](https://arxiv.org/pdf/1909.11229)という技術を使用しています。 これにより必要な学習データの量を大幅に削減し、学習の収束を加速させることができます。 必要に応じて、より高速な推論を提供するさまざまなネットワークアーキテクチャ(MobileNetV2など)を選択することができ、リアルタイムの実験データフィードバックと組み合わせることもできます。 DeepLabCutはもともと[DeeperCut](https://arxiv.org/abs/1605.03170)と呼ばれるパフォーマンスのよい人用のポーズ推定アーキテクチャの特徴検出器を使用しており、これが名前の由来になりました。 今ではこのパッケージは大幅に変更され、追加のアーキテクチャ・データの水増し・一通りのユーザー用フロントエンドを含んでいます。 さらに、 大規模な生物学的実験をサポートするため、DeepLabCutはオンライン学習の機能を提供しています。 これにより、動画の時間をこえて学習データを増やすことができ、エッジケースをカバーしたり、特定のコンテキスト内でポーズ推定アルゴリズムを堅牢にしたりできます。 +DeepLabCut uses a principle called [transfer learning](https://arxiv.org/pdf/1909.11229), which greatly reduces the amount of training data required and speeds up the convergence of the training period. Depending on the needs, users can pick different network architectures that provide faster inference (e.g. MobileNetV2), which can also be combined with real-time experimental feedback. DeepLabCut originally used the feature detectors from a top-performing human pose estimation architecture, called [DeeperCut](https://arxiv.org/abs/1605.03170), which inspired the name. The package now has been significantly changed to include additional architectures, augmentation methods, and a full front-end user experience. Furthermore, to support large-scale biological experiments DeepLabCut provides active learning capabilities so that users can increase the training set over time to cover edge cases and make their pose estimation algorithm robust within the specific context. -最近、[DeepLabCut model zoo](http://www.mousemotorlab.org/dlc-modelzoo)が発表されました。 これは、霊長類の顔分析から犬の姿勢まで、様々な種や実験条件に対応した事前訓練済みモデルを提供しています。 これにより、例えば、新しいデータのラベルを付けることなくクラウドで予測を実行することができたり、ニューラルネットワークの学習を実行することができます。 プログラミング経験は必要ありません。 +最近、[DeepLabCut model zoo](http://www.mousemotorlab.org/dlc-modelzoo)が発表されました。 これは、霊長類の顔分析から犬の姿勢まで、様々な種や実験条件に対応した事前訓練済みモデルを提供しています。 これにより、例えば、新しいデータのラベルを付けることなくクラウドで予測を実行することができたり、ニューラルネットワークの学習を実行することができます。 プログラミング経験は必要ありません。 This can be run for instance in the cloud without any labeling of new data, or neural network training, and no programming experience is necessary. ### 主な目標と結果 -* **科学研究のための動物姿勢解析の自動化:** +- **科学研究のための動物姿勢解析の自動化:** - DeepLabCutという技術の主な目的は、多様な環境で動物の姿勢を測定し追跡することです。 このデータは例えば神経科学の研究において、脳がどのように運動を制御しているかを理解するためのや、動物がどのように社会的に交流しているかを明らかにするために利用することができます。 研究者はDeepLabCutで [10倍のパフォーマンス向上](https://www.biorxiv.org/content/10.1101/457242v1) が可能であると発表しています。 オフラインでは最大1200フレーム/秒(FPS) で姿勢を推定することができます。 + DeepLabCutという技術の主な目的は、多様な環境で動物の姿勢を測定し追跡することです。 このデータは例えば神経科学の研究において、脳がどのように運動を制御しているかを理解するためのや、動物がどのように社会的に交流しているかを明らかにするために利用することができます。 研究者はDeepLabCutで [10倍のパフォーマンス向上](https://www.biorxiv.org/content/10.1101/457242v1) が可能であると発表しています。 オフラインでは最大1200フレーム/秒(FPS) で姿勢を推定することができます。 This data can be used, for example, in + neuroscience studies to understand how the brain controls movement, or to + elucidate how animals socially interact. Researchers have observed a + [tenfold performance boost](https://www.biorxiv.org/content/10.1101/457242v1) + with DeepLabCut. Poses can be inferred offline at up to 1200 frames per second + (FPS). -* **姿勢推定のための使いやすいPythonツールキットの作成:** +- **姿勢推定のための使いやすいPythonツールキットの作成:** - DeepLabCutは、動物の姿勢推定技術を研究者が簡単に利用できるツールとして共有したいという考えから開発されています。 そこで開発者らはプロジェクト管理機能を備えた、単独で機能し、使いやすいPythonツールボックスとしてこのツールを作成しました。 これにより、姿勢推定を自動化するだけでなく、DeepLabCutツールキットユーザーをデータセット収集段階から共有可能・再利用可能な分析パイプラインを作成する段階まで補助し、プロジェクトをエンドツーエンドで管理することも可能になりました。 + DeepLabCut wanted to share their animal pose-estimation technology in the form + of an easy to use tool that can be adopted by researchers easily. So they have + created a complete, easy-to-use Python toolbox with project management features + as well. These enable not only automation of pose-estimation but also + managing the project end-to-end by helping the DeepLabCut Toolkit user right + from the dataset collection stage to creating shareable and reusable analysis + pipelines. この[ツールキット][DLCToolkit] はオープンソースとして利用できます。 @@ -67,19 +83,28 @@ attribution = '(Source: DeepLabCut)' attributionlink = 'https://twitter.com/DeepLabCut/status/1198046918284210176/photo/1' {{< /figure >}} +[DLCToolkit]: https://github.com/DeepLabCut/DeepLabCut + ### 課題 -* **速度** +- **速度** - 動物行動動画の高速な処理は、動物の行動を測定し、科学実験をより効率的で正確にするために重要です。 動的に変化する背景の中で、マーカーを使用せずに、実験室での実験のために動物の詳細な姿勢を抽出することは、技術的にも、必要なリソース的にも、必要なトレーニングデータの面でも、困難な場合があります。 科学者が、より現実的な状況で研究を行うために、コンピュータビジョンなどの専門知識のスキルを必要とせずに使うことができるツールを開発することは、解決すべき重要な問題です。 + 動物行動動画の高速な処理は、動物の行動を測定し、科学実験をより効率的で正確にするために重要です。 動的に変化する背景の中で、マーカーを使用せずに、実験室での実験のために動物の詳細な姿勢を抽出することは、技術的にも、必要なリソース的にも、必要なトレーニングデータの面でも、困難な場合があります。 科学者が、より現実的な状況で研究を行うために、コンピュータビジョンなどの専門知識のスキルを必要とせずに使うことができるツールを開発することは、解決すべき重要な問題です。 + Extracting detailed animal poses for laboratory experiments, without + markers, in dynamically changing backgrounds, can be challenging, both + technically as well as in terms of resource needs and training data required. + Coming up with a tool that is easy to use without the need for skills such + as computer vision expertise that enables scientists to do research in more + real-world contexts, is a non-trivial problem to solve. -* **組み合わせ問題** +- **組み合わせ問題** - 組合せ問題とは、複数の四肢の動きを個々の動物行動に統合することを指します。 キーポイントと、その個々の動物行動との関連性を組み合わせ、時間的に結びつけることは、複雑なプロセスであり、非常に膨大な数値解析が必要となります。 特に、実験映像の中で複数の動物の動きを追跡する場合は大変です。 + Combinatorics involves assembly and integration of movement of multiple + limbs into individual animal behavior. 組合せ問題とは、複数の四肢の動きを個々の動物行動に統合することを指します。 キーポイントと、その個々の動物行動との関連性を組み合わせ、時間的に結びつけることは、複雑なプロセスであり、非常に膨大な数値解析が必要となります。 特に、実験映像の中で複数の動物の動きを追跡する場合は大変です。 -* **データ処理** +- **データ処理** - 最後に、配列の操作もかなり難しい問題です。 様々な画像や、目標のテンソル、キーポイントに対応する大きな配列のスタックを処理しなければならないからです。 + 最後に、配列の操作もかなり難しい問題です。 様々な画像や、目標のテンソル、キーポイントに対応する大きな配列のスタックを処理しなければならないからです。 {{< figure >}} src = '/images/content_images/cs/pose-estimation.png' @@ -92,17 +117,27 @@ attributionlink = 'https://www.biorxiv.org/content/10.1101/476531v1.full.pdf' ## 姿勢推定の課題に対応するためのNumPyの役割 -NumPy は DeepLabCutにおける、行動分析の高速化のための数値計算の核となっています。 NumPyだけでなく、DeepLabCutは様々なNumPyをベースとしているPythonライブラリを利用しています。 [SciPy](https://www.scipy.org)、[Pandas](https://pandas.pydata.org)、[matplotlib](https://matplotlib.org)、[Tensorpack](https://github.com/tensorpack/tensorpack), [imgaug](https://github.com/aleju/imgaug)、[scikit-learn](https://scikit-learn.org/stable/)、[scikit-image](https://scikit-image.org)、[Tensorflow](https://www.tensorflow.org)などです。 +DeepLabCutでは[転移学習](https://arxiv.org/pdf/1909.11229)という技術を使用しています。 これにより必要な学習データの量を大幅に削減し、学習の収束を加速させることができます。 必要に応じて、より高速な推論を提供するさまざまなネットワークアーキテクチャ(MobileNetV2など)を選択することができ、リアルタイムの実験データフィードバックと組み合わせることもできます。 DeepLabCutはもともと[DeeperCut](https://arxiv.org/abs/1605.03170)と呼ばれるパフォーマンスのよい人用のポーズ推定アーキテクチャの特徴検出器を使用しており、これが名前の由来になりました。 今ではこのパッケージは大幅に変更され、追加のアーキテクチャ・データの水増し・一通りのユーザー用フロントエンドを含んでいます。 さらに、 大規模な生物学的実験をサポートするため、DeepLabCutはオンライン学習の機能を提供しています。 これにより、動画の時間をこえて学習データを増やすことができ、エッジケースをカバーしたり、特定のコンテキスト内でポーズ推定アルゴリズムを堅牢にしたりできます。 NumPy は DeepLabCutにおける、行動分析の高速化のための数値計算の核となっています。 NumPyだけでなく、DeepLabCutは様々なNumPyをベースとしているPythonライブラリを利用しています。 [SciPy](https://www.scipy.org)、[Pandas](https://pandas.pydata.org)、[matplotlib](https://matplotlib.org)、[Tensorpack](https://github.com/tensorpack/tensorpack), [imgaug](https://github.com/aleju/imgaug)、[scikit-learn](https://scikit-learn.org/stable/)、[scikit-image](https://scikit-image.org)、[Tensorflow](https://www.tensorflow.org)などです。 以下に挙げるNumPyの特徴が、DeepLabCutの姿勢推定アルゴリズムでの画像処理・組み合わせ処理・高速計算において、重要な役割を果たしました。 -* ベクトル化 -* マスクされた配列操作 -* 線形代数 -* ランダムサンプリング -* 大きな配列の再構成 - -DeepLabCutは、ツールキットが提供するワークフローを通じてNumPyの配列機能を利用しています。 特に、NumPyはヒューマンアノテーションのラベル付けや、アノテーションの書き込み、編集、処理のために、特定のフレームをサンプリングするために使用されています。 TensorFlowを使ったニューラルネットワークは、DeepLabCutの技術によって何千回も訓練され、 フレームから真のアノテーション情報を予測します。 この目的のため、姿勢推定問題を画像-画像変換問題として変換する目標密度(スコアマップ) を作成します。 ニューラルネットワークのロバスト化のため、データの水増しを使用していますが、このためには幾何学・画像的処理を施したスコアマップの計算を行うことが必要になります。 また学習を高速化するため、NumPyのベクトル化機能が利用されています。 推論には、目標のスコアマップから最も可能性の高い予測値を抽出し、効率的に「予測値をリンクさせて個々の動物を組み立てる」ことが必要になります。 +- ベクトル化 +- マスクされた配列操作 +- 線形代数 +- ランダムサンプリング +- 大きな配列の再構成 + +DeepLabCutは、ツールキットが提供するワークフローを通じてNumPyの配列機能を利用しています。 特に、NumPyはヒューマンアノテーションのラベル付けや、アノテーションの書き込み、編集、処理のために、特定のフレームをサンプリングするために使用されています。 TensorFlowを使ったニューラルネットワークは、DeepLabCutの技術によって何千回も訓練され、 フレームから真のアノテーション情報を予測します。 この目的のため、姿勢推定問題を画像-画像変換問題として変換する目標密度(スコアマップ) を作成します。 ニューラルネットワークのロバスト化のため、データの水増しを使用していますが、このためには幾何学・画像的処理を施したスコアマップの計算を行うことが必要になります。 また学習を高速化するため、NumPyのベクトル化機能が利用されています。 推論には、目標のスコアマップから最も可能性の高い予測値を抽出し、効率的に「予測値をリンクさせて個々の動物を組み立てる」ことが必要になります。 In particular, NumPy is used for sampling distinct frames for +human annotation labeling, and for writing, editing and processing annotation +data. Within TensorFlow the neural network is trained by DeepLabCut technology +over thousands of iterations to predict the ground truth annotations from +frames. For this purpose, target densities (scoremaps) are created to cast pose +estimation as a image-to-image translation problem. To make the neural networks +robust, data augmentation is employed, which requires the calculation of target +scoremaps subject to various geometric and image processing steps. To make +training fast, NumPy’s vectorization capabilities are leveraged. For inference, +the most likely predictions from target scoremaps need to extracted and one +needs to efficiently “link predictions to assemble individual animals”. {{< figure >}} src = '/images/content_images/cs/deeplabcut-workflow.png' @@ -114,14 +149,18 @@ attributionlink = 'https://www.researchgate.net/figure/DeepLabCut-work-flow-The- ## まとめ -行動を観察し、効率的に表現することは、現代倫理学、神経科学、医学、工学の根幹です。 [DeepLabCut](http://orga.cvss.cc/wp-content/uploads/2019/05/NathMathis2019.pdf) により、研究者は対象の姿勢を推定し、行動を効率的に定量化できるようになりました。 DeepLabCutというPythonツールボックスを使えば、わずかな学習画像のセットでニューラルネットワークを人間レベルのラベリング精度で学習することができ、実験室での行動分析だけでなく、スポーツ、歩行分析、医学、リハビリテーション研究などへの応用が可能になります。 DeepLabCutアルゴリズムに必要な複雑な組み合わせ処理やデータ処理の問題を、NumPyの配列操作機能が解決しています。 +Observing and efficiently describing behavior is a core tenant of modern +ethology, neuroscience, medicine, and technology. +行動を観察し、効率的に表現することは、現代倫理学、神経科学、医学、工学の根幹です。 [DeepLabCut](http://orga.cvss.cc/wp-content/uploads/2019/05/NathMathis2019.pdf) により、研究者は対象の姿勢を推定し、行動を効率的に定量化できるようになりました。 DeepLabCutというPythonツールボックスを使えば、わずかな学習画像のセットでニューラルネットワークを人間レベルのラベリング精度で学習することができ、実験室での行動分析だけでなく、スポーツ、歩行分析、医学、リハビリテーション研究などへの応用が可能になります。 DeepLabCutアルゴリズムに必要な複雑な組み合わせ処理やデータ処理の問題を、NumPyの配列操作機能が解決しています。 With only a small set of training images, +the DeepLabCut Python toolbox allows training a neural network to within human +level labeling accuracy, thus expanding its application to not only behavior +analysis in the laboratory, but to potentially also in sports, gait analysis, +medicine and rehabilitation studies. Complex combinatorics, data processing +challenges faced by DeepLabCut algorithms are addressed through the use of +NumPy's array manipulation capabilities. {{< figure >}} src = '/images/content_images/cs/numpy_dlc_benefits.png' alt = 'numpy benefits' title = 'NumPyの主要機能' {{< /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/ja/case-studies/gw-discov.md b/content/ja/case-studies/gw-discov.md index c5275fde58..7d7311c141 100644 --- a/content/ja/case-studies/gw-discov.md +++ b/content/ja/case-studies/gw-discov.md @@ -12,39 +12,75 @@ attributionlink = 'https://youtu.be/Zt8Z_uzG71o' {{< /figure >}} {{< blockquote - cite="https://www.youtube.com/watch?v=BIvezCVcsYs" - by="David Shoemaker, *LIGOサイエンティフィック・コラボレーション*" >}} +cite="https://www.youtube.com/watch?v=BIvezCVcsYs" +by="David Shoemaker, _LIGOサイエンティフィック・コラボレーション_" >}} 科学計算のためのPythonエコシステムはLIGOで行われている研究のための重要なインフラです。 {{< /blockquote >}} +{{< /blockquote >}} ## [重力波](https://www.nationalgeographic.com/news/2017/10/what-are-gravitational-waves-ligo-astronomy-science/) と [LIGO](https://www.ligo.caltech.edu) について -重力波は、空間と時間の基本構造の波紋です。 2つのブラックホールの衝突や合体、2連星や超新星の合体など、大きな変動現象によって生成されます。 重力波の観測は、重力を研究する上で重要なだけでなく、遠い宇宙におけるいくつかの不明瞭な現象と、その影響を理解するためにも役立ちます。 - -\[レーザー干渉計重力波天文台(LIGO)\](https://www. ligo. caltech. edu)は、アインシュタインの一般相対性理論によって予測された重力波の直接検出を通して、重力波天体物理学の分野を切り開くために設計されました。 このシステムは、アメリカのワシントン州ハンフォードとルイジアナ州リビングストンにある2つの干渉計が一体となって構成され、重力波を検出します。 それぞれのシステムには、レーザー干渉法を用いた数キロ規模の重力波検出器が設置されています。 LIGO Scientific Collaboration（LSC）は、米国をはじめとする14カ国の大学から1000人以上の科学者が集まり、90以上の大学・研究機関によって支援されています。 また、約250人の学生も参加しています。 今回のLIGOの発見は、重力波が地球を通過する際に生じる空間と時間の微小な乱れの測定により、重力波そのものを初めて観測しました。 これにより、新しい天体物理学のフロンティアが開かれました。 これは、宇宙の歪んだ側面、つまり歪んだ時空から作られた物体とそれに現象を切り拓くものです。 - +重力波は、空間と時間の基本構造の波紋です。 2つのブラックホールの衝突や合体、2連星や超新星の合体など、大きな変動現象によって生成されます。 重力波の観測は、重力を研究する上で重要なだけでなく、遠い宇宙におけるいくつかの不明瞭な現象と、その影響を理解するためにも役立ちます。 Observing GW can not only help +in studying gravity but also in understanding some of the obscure phenomena in +the distant universe and its impact. + +\[レーザー干渉計重力波天文台(LIGO)\](https://www. It comprises two widely separated interferometers within the +United States — one in Hanford, Washington and the other in Livingston, +Louisiana — operated in unison to detect gravitational waves. Each of them has +multi-kilometer-scale gravitational wave detectors that use laser +interferometry. The LIGO Scientific Collaboration (LSC), is a group of more +than 1000 scientists from universities around the United States and in 14 +other countries supported by more than 90 universities and research institutes; +approximately 250 students actively contributing to the collaboration. The new +LIGO discovery is the first observation of gravitational waves themselves, +made by measuring the tiny disturbances the waves make to space and time as +they pass through the earth. It has opened up new astrophysical frontiers +that explore the warped side of the universe—objects and phenomena that are +made from warped spacetime. ### 主な目的 -* LIGOの[ミッション](https://www.ligo.caltech.edu/page/what-is-ligo)は、宇宙で最も激しくエネルギーに満ちたプロセスからの重力波を検出することですが、LIGOが収集するデータは、重力、相対性理論、天体物理学、宇宙論、素粒子物理学、原子核物理学など、物理学の多くの分野に広く影響を与える可能性があります。 -* 複雑な数学を含む相対性理論の数値計算によって観測データを解析し、信号とノイズを識別し、関連性のある信号をフィルタリングし、観測データの有意性を統計的に推定することで、宇宙の始まりのクランチを観測できるようになります。 -* バイナリや数値の結果を理解しやすいようにデータを可視化することも必要です。 - - +- LIGOの[ミッション](https://www.ligo.caltech.edu/page/what-is-ligo)は、宇宙で最も激しくエネルギーに満ちたプロセスからの重力波を検出することですが、LIGOが収集するデータは、重力、相対性理論、天体物理学、宇宙論、素粒子物理学、原子核物理学など、物理学の多くの分野に広く影響を与える可能性があります。 +- Crunch observed data via numerical relativity computations that involves + complex maths in order to discern signal from noise, filter out relevant + signal and statistically estimate significance of observed data +- バイナリや数値の結果を理解しやすいようにデータを可視化することも必要です。 ### 課題 -* **計算** - - 合成により放出される重力波は、スーパーコンピュータを用いて数値相対性を手あたり次第に試すような方法では計算できません。 LIGOが収集するデータ量は、重力波の信号が少ないのと同じくらい不可解です。 - -* **データの氾濫** - - 観測装置がより高感度で信頼性を持つようになると、データの大洪水によって、干し草の中から針を探すような問題が、多重に発生することがわかります。 LIGOは毎日テラバイトのデータを生成しているのです！ この大量のデータを解釈するには、各検出ごとに多大な労力が必要です。 例えば、LIGOによって収集される信号は、数十万個の重力波シグネチャのテンプレートで構成されており、スーパーコンピュータでしか解析できません。 - -* **可視化** - - アインシュタイン方程式を元にスーパーコンピュータでデータを解析できるようになったら、次はデータを人間の脳で理解できるようにしなければなりません。 シミュレーションのモデリングや信号の検出には、わかりやすい可視化技術が必要です。 画像処理やシミュレーションによって、解析結果をより多くの人に理解してもらえる状態になる前の段階において、可視化は、数値相対性を十分に重要視していなかった純粋な科学愛好家の目に、数値相対性が、より信頼性の高いものとして映るようにするという役割も果たしています。 複雑な計算と描画を行い、また最新の実験結果と洞察に基づいてシミュレーションと再描画を行う作業は時間のかかるもので、この分野の研究者にとっての課題です。 +- **計算** + + Gravitational Waves are hard to detect as they produce a very small effect + and have tiny interaction with matter. Processing and analyzing all of + LIGO's data requires a vast computing infrastructure.After taking care of + noise, which is billions of times of the signal, there is still very + complex relativity equations and huge amounts of data which present a + computational challenge: + [O(10^7) CPU hrs needed for binary merger analyses](https://youtu.be/7mcHknWWzNI) + spread on 6 dedicated LIGO clusters + +- **データの氾濫** + + As observational devices become more sensitive and reliable, the challenges + posed by data deluge and finding a needle in a haystack rise multi-fold. + LIGO generates terabytes of data every day! Making sense of this data + requires an enormous effort for each and every detection. For example, the + signals being collected by LIGO must be matched by supercomputers against + hundreds of thousands of templates of possible gravitational-wave signatures. + +- **可視化** + + Once the obstacles related to understanding Einstein’s equations well + enough to solve them using supercomputers are taken care of, the next big + challenge was making data comprehensible to the human brain. Simulation + modeling as well as signal detection requires effective visualization + techniques. Visualization also plays a role in lending more credibility + to numerical relativity in the eyes of pure science aficionados, who did + not give enough importance to numerical relativity until imaging and + simulations made it easier to comprehend results for a larger audience. + Speed of complex computations and rendering, re-rendering images and + simulations using latest experimental inputs and insights can be a time + consuming activity that challenges researchers in this domain. {{< figure >}} src = '/images/content_images/cs/gw_strain_amplitude.png' @@ -57,17 +93,19 @@ attributionlink = 'https://www.researchgate.net/publication/293886905_Observatio ## 重力波の検出におけるNumPyの役割 合成により放出される重力波は、スーパーコンピュータを用いたブルートフォースの数値相対性処理以外の手法では計算できません。 重力波は非常に小さい効果を生み、物質と微小な相互作用を持つため、検出が困難です。 LIGOのすべてのデータを処理・分析するには、膨大な計算インフラが必要です。 信号の数十億倍のノイズを除去した後も、非常に複雑な相対性理論の方程式と膨大な量のデータがあり、計算上の課題となっています。 +合成により放出される重力波は、スーパーコンピュータを用いて数値相対性を手あたり次第に試すような方法では計算できません。 LIGOが収集するデータ量は、重力波の信号が少ないのと同じくらい不可解です。 -Python用の標準的な数値解析パッケージNumPyは、LIGOの重力波検出プロジェクトで実行される様々なタスクに使用されるソフトウェアで利用されています。 NumPyは、複雑な数学処理や高速なデータ操作に役立ちました。 次にいくつかの例を示します。 +Python用の標準的な数値解析パッケージNumPyは、LIGOの重力波検出プロジェクトで実行される様々なタスクに使用されるソフトウェアで利用されています。 NumPyは、複雑な数学処理や高速なデータ操作に役立ちました。 次にいくつかの例を示します。 NumPy helped in solving complex maths and data manipulation at high +speed. Here are some examples: -* [信号処理](https://www.uv.es/virgogroup/Denoising_ROF.html): グリッジ検出、[ノイズ同定とデータ判定](https://ep2016.europython.eu/media/conference/slides/pyhton-in-gravitational-waves-research-communities.pdf) (NumPy, scikit-learn, scipy, matplotlib, pandas, pyCharm)。 -* データ取得: どのデータが解析できるかを決定し、干し草の中の針のような信号が入っているかどうかを突き止める。 -* 統計解析: 観測データの統計的有意性を推定し、モデルとの比較により信号パラメータ（星の質量、スピン速度、距離など）を推定する。 -* データ可視化 +- [信号処理](https://www.uv.es/virgogroup/Denoising_ROF.html): グリッジ検出、[ノイズ同定とデータ判定](https://ep2016.europython.eu/media/conference/slides/pyhton-in-gravitational-waves-research-communities.pdf) (NumPy, scikit-learn, scipy, matplotlib, pandas, pyCharm)。 +- データ取得: どのデータが解析できるかを決定し、干し草の中の針のような信号が入っているかどうかを突き止める。 +- 統計解析: 観測データの統計的有意性を推定し、モデルとの比較により信号パラメータ（星の質量、スピン速度、距離など）を推定する。 +- データ可視化 - 時系列データ - スペクトログラム -* 相関計算 -* 重力波データ解析のために開発された[ソフトウェア群](https://github.com/lscsoft): [GwPy](https://gwpy.github.io/docs/stable/overview.html)や [PyCBC](https://pycbc.org)は、NumPyやAstroPyを用いて、重力波検出器データを研究するためのユーティリティー・ツール・関数へのオブジェクト指向インターフェースを提供しています。 +- 相関計算 +- 重力波データ解析のために開発された[ソフトウェア群](https://github.com/lscsoft): [GwPy](https://gwpy.github.io/docs/stable/overview.html)や [PyCBC](https://pycbc.org)は、NumPyやAstroPyを用いて、重力波検出器データを研究するためのユーティリティー・ツール・関数へのオブジェクト指向インターフェースを提供しています。 {{< figure >}} src = '/images/content_images/cs/gwpy-numpy-dep-graph.png' @@ -85,7 +123,17 @@ title = 'PyCBCのNumPy依存グラフ' ## まとめ -一方で、これまで知られてきた深遠な天体物理学の現象に、多くに新たな洞察を提供しました。 数値処理とデータの可視化は、科学者が科学的な観測から収集したデータについての洞察を得て、その結果を理解するのに役立つ重要なステップです。 しかし、その計算は複雑であり、実際の観測データと分析を用いたコンピュータシミュレーションを用いて可視化されない限り、人間が理解することはできませんでした。 NumPyは、matplotlib・pandas・scikit-learnなどのPythonパッケージとともに、研究者が複雑な質問に答え、私たちの宇宙に対するの理解において、新しい地平を発見することを[可能にしています](https://www.gw-openscience.org/events/GW150914/)。 +GW detection has enabled researchers to discover entirely unexpected phenomena +while providing new insight into many of the most profound astrophysical +phenomena known. Number crunching and data visualization is a crucial step +that helps scientists gain insights into data gathered from the scientific +observations and understand the results. The computations are complex and +cannot be comprehended by humans unless it is visualized using computer +simulations that are fed with the real observed data and analysis. NumPy +along with other Python packages such as matplotlib, pandas, and scikit-learn +is [enabling researchers](https://www.gw-openscience.org/events/GW150914/) to +answer complex questions and discover new horizons in our understanding of the +universe. {{< figure >}} src = '/images/content_images/cs/numpy_bh_benefits.png' diff --git a/content/ja/citing-numpy.md b/content/ja/citing-numpy.md index 397ca192ab..fddd4696dc 100644 --- a/content/ja/citing-numpy.md +++ b/content/ja/citing-numpy.md @@ -5,30 +5,30 @@ sidebar: false もしあなたの研究においてNumPyが重要な役割を果たし、論文でこのプロジェクトについて言及したい場合は、こちらの論文を引用して下さい。 -* 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). ([リンク](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). ([リンク](https://www.nature.com/articles/s41586-020-2649-2)). _BibTeX形式:_ - ``` +``` @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 - Cournapeau and Eric Wieser and Julian Taylor and Sebastian - Berg and Nathaniel J. Smith and Robert Kern and Matti Picus - and Stephan Hoyer and Marten H. van Kerkwijk and Matthew - Brett and Allan Haldane and Jaime Fern{'{a}}ndez del - R{'{\i}}o and Mark Wiebe and Pearu Peterson and Pierre - G{'{e}}rard-Marchant and Kevin Sheppard and Tyler Reddy and - Warren Weckesser and Hameer Abbasi and Christoph Gohlke and - Travis E. Oliphant}, - year = {2020}, - month = sep, - journal = {Nature}, - volume = {585}, - number = {7825}, - pages = {357--362}, - doi = {10.1038/s41586-020-2649-2}, - publisher = {Springer Science and Business Media {LLC}}, - url = {https://doi.org/10.1038/s41586-020-2649-2} + 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 + Cournapeau and Eric Wieser and Julian Taylor and Sebastian + Berg and Nathaniel J. Smith and Robert Kern and Matti Picus + and Stephan Hoyer and Marten H. van Kerkwijk and Matthew + Brett and Allan Haldane and Jaime Fern{'{a}}ndez del + R{'{\i}}o and Mark Wiebe and Pearu Peterson and Pierre + G{'{e}}rard-Marchant and Kevin Sheppard and Tyler Reddy and + Warren Weckesser and Hameer Abbasi and Christoph Gohlke and + Travis E. Oliphant}, + year = {2020}, + month = sep, + journal = {Nature}, + volume = {585}, + number = {7825}, + pages = {357--362}, + 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/ja/code-of-conduct.md b/content/ja/code-of-conduct.md index 70ca4d8b6e..a26d0fd172 100644 --- a/content/ja/code-of-conduct.md +++ b/content/ja/code-of-conduct.md @@ -5,69 +5,69 @@ aliases: - /ja/conduct/ --- -### はじめに +### Introduction -この行動規範は、NumPy プロジェクトによって管理されるすべての場所で適用されます。 この場所とは、すべてのパブリックおよびプライベートのメーリングリスト、イシュートラッカー、Wiki、ブログ、Twitter、コミュニティで使用されているその他の通信チャンネルなどを含みます。 NumPy プロジェクトでは対面でのイベントは開催していません。 しかし、我々のコミュニティに関連するものであれば、対面のイベントでも同様の行動規範を持つ必要があります。 +This Code of Conduct applies to all spaces managed by the NumPy project, including all public and private mailing lists, issue trackers, wikis, blogs, Twitter, and any other communication channel used by our community. The NumPy project does not organise in-person events, however events related to our community should have a code of conduct similar in spirit to this one. この行動規範は、NumPy コミュニティに正式または非公式に参加するすべての人が順守する必要があります。 その他にも、NumPyとの提携・関連するプロジェクト活動においては、特にそれらのプロジェクトを代表する場合、同様の行動規範に従う必要があります。 -この行動規範は完全ではありません。 しかし、行動規範は我々が理解すべき、互いの協力の仕方や、共通の場所のあるべき姿、我々のゴールなどをまとめるのに重要な役目を果たします。 フレンドリーで生産的な環境を生み出し、周囲のコミュニティにより良い影響を与えるため、ぜひこの行動規範に従ってください。 +This code is not exhaustive or complete. It serves to distill our common understanding of a collaborative, shared environment and goals. Please try to follow this code in spirit as much as in letter, to create a friendly and productive environment that enriches the surrounding community. ### ガイドラインの概要 -私たちは下記の内容に真摯に取り組みます。 - -1. 開けたコミュニティにしましょう。 私たちは、誰でもコミュニティに参加できるようにします。 私たちは、公にすべきではない内容を議論する場合以外、プロジェクトに関連するメッセージを公の場で告知することを選びます。 これは、NumPyに関するヘルプやプロジェクトサポートにも適用されます。公式なサポートだけでなく、NumPyに関する質問に答える場合もです。 これにより、質問に答えた際の意図しない間違いを、より簡単に検出し、訂正できるようになります。 -2. 共感し、歓迎し、友好的で、そして我慢強くありましょう。 私たちは互いに争いを解決し合い、互いの善意を信じ合います。 私たちは時折り不満を感じるかもしれません。 しかしそのような場合も、不満を個人的な攻撃に変えることは許容されません。 人々が不快や脅威を感じるコミュニティは、生産的ではないからです。 -3. 互いに協力し合おう。 私たちの開発成果は他の人々によって利用され、一方で、たちは他の人々の開発成果に依存しているのです。 私たちがプロジェクトために何かを作るとき、私たちはそれがどのように動作するかを他の人に説明する必要があります。 しかし、この作業により、より良いものを作り上げることができるのです。 私たちが下す全ての決断は、ユーザと開発コミュニティに影響を与えうるし、その決断がもたらす結果を私たちは真摯に受け止めます。 -4. 好奇心を大事にしよう。 全てを知っている人はいないのです！ 早め早めに質問をすることで、後に生じうる多くの問題を回避できます。 そのため私たちは質問を奨励しています。 私たちは、出来るだけ質問に良く対応し、手助けできるよう努力します。 -5. 使う言葉に注意しましょう。 私たちは、コミュニティにおけるコミュニケーションに注意と敬意を払います。 そして、私たちは自分の言葉に責任を持ちます。 他人に優しくしましょう。 他のコミュニティの参加者を侮辱しないでください。 私たちは、以下のようなハラスメントやその他の排斥行為を許しません。 : - * 他の人に向けられた暴力的な行為や言葉。 - * 性差別や人種差別、その他の差別的なジョークや言動。 - * 性的または暴力的な内容の投稿。 - * 他のユーザーの個人情報を投稿すること。 (または投稿すると脅すこと)。 - * 公開目的のない電子メールや、ICRチャットのようなログの残らないフォーラムの履歴など、プライベートなコンテンツを送信者の同意なしに共有すること。 - * 個人的な侮辱, 特に人種差別や性差別的な用語を使用して侮辱すること。 - * 不快な思いをさせる性的な言動。 - * 過度に粗暴に振る舞うこと。 ひどいな言葉を使うのを避けてください。 人々は怒りを覚える感度が、それぞれ大きく異なります。 - * 他人に対するハラスメントの繰り返し。 一般的に、誰かがあなたにある言動を止めるように要求した場合、その言動をやめて下さい。 - * 上記のいずれかの行動を擁護すること、または奨励すること。 +We strive to: + +1. Be open. We invite anyone to participate in our community. We prefer to use public methods of communication for project-related messages, unless discussing something sensitive. This applies to messages for help or project-related support, too; not only is a public support request much more likely to result in an answer to a question, it also ensures that any inadvertent mistakes in answering are more easily detected and corrected. +2. Be empathetic, welcoming, friendly, and patient. We work together to resolve conflict, and assume good intentions. We may all experience some frustration from time to time, but we do not allow frustration to turn into a personal attack. A community where people feel uncomfortable or threatened is not a productive one. +3. Be collaborative. Our work will be used by other people, and in turn we will depend on the work of others. When we make something for the benefit of the project, we are willing to explain to others how it works, so that they can build on the work to make it even better. Any decision we make will affect users and colleagues, and we take those consequences seriously when making decisions. +4. Be inquisitive. 好奇心を大事にしよう。 全てを知っている人はいないのです！ 早め早めに質問をすることで、後に生じうる多くの問題を回避できます。 そのため私たちは質問を奨励しています。 私たちは、出来るだけ質問に良く対応し、手助けできるよう努力します。 Asking questions early avoids many problems later, so we encourage questions, although we may direct them to the appropriate forum. We will try hard to be responsive and helpful. +5. Be careful in the words that we choose. We are careful and respectful in our communication, and we take responsibility for our own speech. Be kind to others. Do not insult or put down other participants. We will not accept harassment or other exclusionary behaviour, such as: + - 他の人に向けられた暴力的な行為や言葉。 + - 性差別や人種差別、その他の差別的なジョークや言動。 + - 性的または暴力的な内容の投稿。 + - 他のユーザーの個人情報を投稿すること。 (または投稿すると脅すこと)。 + - 公開目的のない電子メールや、ICRチャットのようなログの残らないフォーラムの履歴など、プライベートなコンテンツを送信者の同意なしに共有すること。 + - 個人的な侮辱, 特に人種差別や性差別的な用語を使用して侮辱すること。 + - Unwelcome sexual attention. + - Excessive profanity. Please avoid swearwords; people differ greatly in their sensitivity to swearing. + - Repeated harassment of others. In general, if someone asks you to stop, then stop. + - 上記のいずれかの行動を擁護すること、または奨励すること。 ### 多様性に関する声明 -NumPyプロジェクトは、全ての人々の参加を歓迎しています。 私たちは、誰もがコミュニティの一員であることを楽しめるように尽力します。 全ての人の好みを満足はさせられないかもしれませんが、全員に対し出来るだけ親切な対応ができるよう最善を尽くします。 +NumPyプロジェクトは、全ての人々の参加を歓迎しています。 私たちは、誰もがコミュニティの一員であることを楽しめるように尽力します。 全ての人の好みを満足はさせられないかもしれませんが、全員に対し出来るだけ親切な対応ができるよう最善を尽くします。 We are committed to being a community that everyone enjoys being part of. Although we may not always be able to accommodate each individual’s preferences, we try our best to treat everyone kindly. -あなたの自己認識や、他者のあなたへの認識は関係ありません。 私たちはあなたを歓迎します。 民族、遺伝、性同一性あるいは関連する表現、言語、国籍、神経学的な差異、生物学的な差異、 政治的信条、職業、人種、宗教、性的指向、社会経済的地位、文化的な差異、技術的な能力。 +No matter how you identify yourself or how others perceive you: we welcome you. Though no list can hope to be comprehensive, we explicitly honour diversity in: age, culture, ethnicity, genotype, gender identity or expression, language, national origin, neurotype, phenotype, political beliefs, profession, race, religion, sexual orientation, socioeconomic status, subculture and technical ability, to the extent that these do not conflict with this code of conduct. 私たちはすべての種類の言語言語話者の参加を歓迎しますが、NumPy 開発は英語で行われます。 -NumPy コミュニティの標準的なルールは、上記の行動規範で説明されています。 NumPyコミュニティの参加者は、これらの行動基準をすべてのコミュニケーションにおいて順守し、他の人々にも同様な行動をすることを推奨すべきです (次のセクションを参照)。 +Standards for behaviour in the NumPy community are detailed in the Code of Conduct above. Participants in our community should uphold these standards in all their interactions and help others to do so as well (see next section). ### 報告ガイドライン -私たちは、インターネット上でのやりとりが簡単にひどい誹謗中傷に陥ってしまうことを、痛いほど知っています. 私たちはまた、嫌な日を過ごしてむしゃくしゃしている人や、行動規範ガイドラインの項目を見落としている人がいることも知っています。 行動規範の違反にどのように対処するかを決定する際には、このことを心に留めておく必要があります。 +私たちは、インターネット上でのやりとりが簡単にひどい誹謗中傷に陥ってしまうことを、痛いほど知っています. 私たちはまた、嫌な日を過ごしてむしゃくしゃしている人や、行動規範ガイドラインの項目を見落としている人がいることも知っています。 行動規範の違反にどのように対処するかを決定する際には、このことを心に留めておく必要があります。 Please keep this in mind when deciding on how to respond to a breach of this Code. -意図的な行動規範違反については、行動規範委員会に報告してください (下記参照)。 もし、違反が意図的でない可能性がある場合、その人にこの行動規範の存在を知らせることも可能です (パブリックでもプライベートでも、適切な方法で)。 もし直接指摘したくない場合は、ぜひ、行動規範委員会に直接連絡するか、違反の確度について助言を求めて下さい。 +For clearly intentional breaches, report those to the Code of Conduct Committee (see below). For possibly unintentional breaches, you may reply to the person and point out this code of conduct (either in public or in private, whatever is most appropriate). If you would prefer not to do that, please feel free to report to the Code of Conduct Committee directly, or ask the Committee for advice, in confidence. NumPy行動規範委員会に問題を報告する場合は、こちらにご連絡下さい: numpy-conduct@googlegroups.com。 現在、行動規範委員会は以下のメンバーで構成されています: -* Stefan van der Walt -* Melissa Weber Mendonça -* Rohit Goswami +- Stefan van der Walt +- Melissa Weber Mendonça +- Rohit Goswami -もしあなたの違反報告に委員会のメンバーが含まれている場合, または彼らがそれを処理する上で利益相反をしていると感じる場合、そのメンバーはあなたの報告を評価する立場からは辞退してもらいます。 もしくは、行動規範委員会に報告するのが躊躇われる場合は、こちらからNumFOCUSのシニアスタッフに連絡することも可能です:[conduct@numfocus.org](https://numfocus.org/code-of-conduct#persons-responsible) 。 +If your report involves any members of the Committee, or if they feel they have a conflict of interest in handling it, then they will recuse themselves from considering your report. Alternatively, if for any reason you feel uncomfortable making a report to the Committee, then you can also contact senior NumFOCUS staff at [conduct@numfocus.org](https://numfocus.org/code-of-conduct#persons-responsible). ### インシデント報告の解決 & 行動規範の実施 本節では、_最も重要な点のみをまとめます。 _詳細については、[NumPy Code of Conduct - How to follow up on a report](report-handling-manual) をご覧ください。 -私たちはすべての訴えを調査し、対応するようにします。 NumPy行動規範委員会およびNumPy運営委員会(もし関係する場合) は、報告者の身元を保護します。 また(報告者が同意しない限り) 苦情の内容を機密として扱うこととします。 +We will investigate and respond to all complaints. The NumPy Code of Conduct Committee and the NumPy Steering Committee (if involved) will protect the identity of the reporter, and treat the content of complaints as confidential (unless the reporter agrees otherwise). -もし深刻で明らかな違反の場合、例えば、 個人的な脅し、または暴力的、性差別的または人種差別的な発言などの場合、我々は直ちにNumPyのコミュニケーションの場から発言者を退場させます。詳細についてはマニュアルを参照してください。 +In case of severe and obvious breaches, e.g. personal threat or violent, sexist or racist language, we will immediately disconnect the originator from NumPy communication channels; please see the manual for details. -もし、行動規範に対して明白な違反がみられない場合、受領された行動規範違反報告に対するプロセスは以下の通りです。 +In cases not involving clear severe and obvious breaches of this Code of Conduct the process for acting on any received Code of Conduct violation report will be: 1. 報告書の受領を確認 2. 建設的な議論/フィードバック @@ -76,7 +76,7 @@ NumPy行動規範委員会に問題を報告する場合は、こちらにご連 行動規範委員会は、可能な限り速やかに対応し、最大で72時間以内に対応する様にします。 -### 文末脚注: +### Endnotes 私たちは下記のドキュメントを作成したグループに感謝します。 内容・発想ともに大いに影響されています。 diff --git a/content/ja/community.md b/content/ja/community.md index 2629f72358..5178b60aa3 100644 --- a/content/ja/community.md +++ b/content/ja/community.md @@ -3,21 +3,24 @@ title: コミュニティ sidebar: false --- -NumPy は 常に多様な[コントリビュータ](/ja/teams/) のグループによって開発されている、コミュニティ主導のオープンソースプロジェクトです。 NumPy を主導するグループは、オープンで協力的でポジティブなコミュニティを作ることを、約束しました。 コミュニティを繁栄させるために、コミュニティの人達と交流する方法については、 [NumPy 行動規範](/ja/code-of-conduct) をご覧ください。 +NumPy は 常に多様な[コントリビュータ](/ja/teams/) のグループによって開発されている、コミュニティ主導のオープンソースプロジェクトです。 NumPy を主導するグループは、オープンで協力的でポジティブなコミュニティを作ることを、約束しました。 コミュニティを繁栄させるために、コミュニティの人達と交流する方法については、 [NumPy 行動規範](/ja/code-of-conduct) をご覧ください。 The NumPy leadership has made a strong commitment to creating an open, inclusive, and positive community. Please read the [NumPy Code of Conduct](/code-of-conduct) for guidance on how to interact with others in a way that makes the community thrive. 私たちは、NumPyコミュニティ内で学んだり、知識を共有したり、他の人と交流するためのいくつかのコミュニケーション方法を提供しています。 - ## オンラインで参加する方法 -NumPy プロジェクトやコミュニティと直接交流する方法は次の通りです。 _重要: 私たちはユーザとコミュニティメンバーに互いにNumPyの使い方の質問に関して助言し合って欲しいと思っています。 - 参照[サポート](/gethelp)._ - +The following are ways to engage directly with the NumPy project and community. +_Please note that we encourage users and community members to support each other +for usage questions - see [Get Help](/gethelp)._ ### [NumPyメーリングリスト：](https://mail.python.org/mailman/listinfo/numpy-discussion) このメーリングリストは、NumPy に新しい機能を追加するなど、より長い期間の議論のための主なコミュニケーションの場です。 NumPyのRoadmapに変更を加えたり、プロジェクト全体での意思決定を行います。 このメーリングリストでは、リリース、開発者会議、スプリント、カンファレンストークなど、NumPy についてのアナウンスなどにも利用されます。 +Announcements about NumPy, such as for releases, developer meetings, sprints or +conference talks are also made on this list. -このメーリングリストでは、一番下のメールを使用し、メーリングリストに返信して下さい( 他の送信者ではなく)。 このメーリングリストの検索可能なアーカイブは [こちら](https://mail.python.org/archives/list/numpy-discussion@python.org/) にあります。 +On this list please use bottom posting, reply to the list (rather than to +another sender), and don't reply to digests. このメーリングリストでは、一番下のメールを使用し、メーリングリストに返信して下さい( 他の送信者ではなく)。 このメーリングリストの検索可能なアーカイブは [こちら](https://mail.python.org/archives/list/numpy-discussion@python.org/) にあります。 *** @@ -27,25 +30,28 @@ NumPy プロジェクトやコミュニティと直接交流する方法は次 - ドキュメントの問題 (例: "I find this section unclear"); - 機能追加リクエスト (例: "I would like to have a new interpolation method in `np.percentile`"). -_ちなみに、セキュリティの脆弱性を報告するには、GitHubのイシュートラッカーは適切な場所ではないことに注意してください。 NumPy でセキュリティ上の脆弱性を発見したと思われる場合は、 [こちら](https://tidelift.com/docs/security) から報告してください。_ +_Please note that GitHub is not the right place to report a security vulnerability. If you think you have found a security vulnerability in NumPy, please report it [here](https://tidelift.com/docs/security)._ *** ### [Slack](https://numpy-team.slack.com) -SlackはNumpyに_ 貢献するための質問をするための_、リアルタイムのチャットルームです。 具体的には、 公開のメーリングリストやGitHubで質問やアイデアを持ち出すことを躊躇している人々のためのものです。 Slackに招待してもらいたい場合は[こちら](https://numpy.org/devdocs/dev/index.html#contributing-to-numpy)を確認下さい。 - +A real-time chat room to ask questions about _contributing_ to NumPy. +This is a private space, specifically meant for people who are hesitant to +bring up their questions or ideas on a large public mailing list or GitHub. +Please see +[here](https://numpy.org/devdocs/dev/index.html#contributing-to-numpy) for more +details and how to get an invite. ## 勉強会とミートアップ NumPyや、データサイエンス、科学技術計算などのより広いエコシステムのためのPythonパッケージついて、もっと学ぶためのローカルミートアップや勉強会を見つけたい場合、 [PyData ミートアップ](https://www.meetup.com/pro/pydata/) (150人以上のミートアップ、10万人以上のメンバーをまとめたもの) を調べてみることをお勧めします。 -加えて、NumPy では開発チームと参加に興味があるコントリビュータのために、対面でのスプリントを時折開催しています。 この開発スプリントは通常数ヶ月に一度に開催されており、 [メーリングリスト](https://mail.python.org/mailman/listinfo/numpy-discussion) と [Twitter](https://twitter.com/numpy_team) で開催連絡されます。 - +NumPy also organizes in-person sprints for its team and interested contributors occasionally. 加えて、NumPy では開発チームと参加に興味があるコントリビュータのために、対面でのスプリントを時折開催しています。 この開発スプリントは通常数ヶ月に一度に開催されており、 [メーリングリスト](https://mail.python.org/mailman/listinfo/numpy-discussion) と [Twitter](https://twitter.com/numpy_team) で開催連絡されます。 ## カンファレンス -NumPy プロジェクトは独自のカンファレンスは開催していません。 NumPy の管理者や、コントリビュータ、ユーザーに最も人気があったカンファレンスは、SciPy および PyDataのカンファレンスです。 +The NumPy project doesn't organize its own conferences. NumPy プロジェクトは独自のカンファレンスは開催していません。 NumPy の管理者や、コントリビュータ、ユーザーに最も人気があったカンファレンスは、SciPy および PyDataのカンファレンスです。 - [SciPy US](https://conference.scipy.org) - [EuroSciPy](https://www.euroscipy.org) @@ -56,11 +62,10 @@ NumPy プロジェクトは独自のカンファレンスは開催していま これらのカンファレンスの多くは、NumPyの使い方や関連するオープンソースプロジェクトに貢献する方法を学ぶことができるチュートリアルを開催しています。 - ## NumPy コミュニティに参加する -NumPyプロジェクトを成功させるには、あなたの専門知識とプロジェクトに関する熱意が必要です。 プログラマーじゃないから参加できない？ そんなことはありません！ NumPy に貢献する様々な方法があります。 +To thrive, the NumPy project needs your expertise and enthusiasm. Not a coder? Not a problem! There are many ways to contribute to NumPy. -もし、NumPyに貢献したい場合は、 [コントリビュート](/ja/contribute) ページをご覧いただくことをお勧めします。 +If you are interested in becoming a NumPy contributor (yay!) we recommend checking out our [Contribute](/contribute) page. -また、私たちのコミュニティミーティングにもぜひ参加してみてください。 コミュニティミーティングの活動を確認するには、[こちら](https://scientific-python.org/calendars/)のイベントカレンダーを確認ください。 +Also, feel free to stop by and say hi at one of our community meetings. また、私たちのコミュニティミーティングにもぜひ参加してみてください。 コミュニティミーティングの活動を確認するには、[こちら](https://scientific-python.org/calendars/)のイベントカレンダーを確認ください。 diff --git a/content/ja/config.yaml b/content/ja/config.yaml index 395f1add6b..f662552f52 100644 --- a/content/ja/config.yaml +++ b/content/ja/config.yaml @@ -19,28 +19,33 @@ params: shell: title: placeholder intro: - - title: NumPy を試す + - + title: NumPy を試す text: インタラクティブシェルを使用して、ブラウザ上で Numpy を試してみてください。 docslink: ドキュメント を確認することを忘れないでください。 casestudies: title: ケーススタディ features: - - title: 世界初のブラックホール画像 + - + title: 世界初のブラックホール画像 text: NumPyはどのように、SciPyやMatplotlibなどのNumPyに依存するライブラリとともに、イベントホライズンテレスコープによる世界初のブラックホール画像の作成を可能にしたのでしょうか。 img: /images/content_images/case_studies/blackhole.png alttext: 世界初のブラックホール画像。黒い背景にオレンジ色の円で描かれています。 url: /ja/case-studies/blackhole-image - - title: 重力波の検知 + - + title: 重力波の検知 text: 1916年、アルバート・アインシュタインは重力波を予言しました。100年後、LIGOの研究者たちはNumPyを使ってその存在を確認しました。 img: /images/content_images/case_studies/gravitional.png alttext: 2つのオーブがお互いに周回し、周りの重力を変位させています。 url: /ja/case-studies/gw-discov - - title: スポーツ分析 + - + title: スポーツ分析 text: クリケット分析は、統計的モデリングと予測分析によって選手やチームのパフォーマンスを向上させることで、クリケットの試合を変えようとしています。多くの分析が、NumPyにより可能になりました。 img: /images/content_images/case_studies/sports.jpg alttext: 緑のフィールド上にあるクリケットボール。 url: /ja/case-studies/cricket-analytics - - title: 深層学習による姿勢推定 + - + title: 深層学習による姿勢推定 text: DeepLabCutはNumPyを利用し、動物の種類や時間スケールによらない運動制御の理解へ向け、動物の行動観察を含む科学技術研究を加速させています。 img: /images/content_images/case_studies/deeplabcut.png alttext: チータの姿勢推定 @@ -49,64 +54,84 @@ params: title: NumPyのエコシステム section5: false navbar: - - title: インストール + - + title: インストール url: /ja/install - - title: ドキュメント + - + title: ドキュメント url: https://numpy.org/doc/stable - - title: 学び方 + - + title: 学び方 url: /ja/learn - - title: コミュニティ + - + title: コミュニティ url: /ja/community - - title: 私達について + - + title: 私達について url: /ja/about - - title: ニュース + - + title: ニュース url: /ja/news - - title: NumPyに貢献する + - + title: NumPyに貢献する url: /ja/contribute footer: logo: logo.svg socialmediatitle: "" socialmedia: - - link: https://github.com/numpy/numpy + - + link: https://github.com/numpy/numpy icon: github - - link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng + - + link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng icon: youtube - - link: https://twitter.com/numpy_team - icon: twitter quicklinks: column1: title: "" links: - - text: インストール + - + text: インストール link: /ja/install - - text: ドキュメント + - + text: ドキュメント link: https://numpy.org/doc/stable - - text: 学び方 + - + text: 学び方 link: /ja/learn - - text: 引用する + - + text: 引用する link: /ja/citing-numpy - - text: ロードマップ + - + text: ロードマップ link: https://numpy.org/neps/roadmap.html column2: links: - - text: 私達について + - + text: 私達について link: /ja/about - - text: コミュニティ + - + text: コミュニティ link: /ja/community - - text: ユーザーの調査 + - + text: ユーザーの調査 link: /ja/user-surveys - - text: NumPyに貢献する + - + text: NumPyに貢献する link: /ja/contribute - - text: 行動規範 + - + text: 行動規範 link: /ja/code-of-conduct column3: links: - - text: サポートを得る方法 + - + text: サポートを得る方法 link: /ja/gethelp - - text: 利用規約 + - + text: 利用規約 link: /ja/terms - - text: プライバシーポリシー + - + text: プライバシーポリシー link: /ja/privacy - - text: プレス用資料 + - + text: プレス用資料 link: /ja/press-kit - diff --git a/content/ja/contribute.md b/content/ja/contribute.md index 90db608852..72e93f1cc9 100644 --- a/content/ja/contribute.md +++ b/content/ja/contribute.md @@ -3,64 +3,85 @@ title: NumPy に貢献する sidebar: false --- -NumPyプロジェクトを成功させるには、あなたの専門知識とプロジェクトに関する熱意が必要です。 貢献方法はプログラミングに限定されません。 このページには**あなたができる** 様々な種類の貢献方法が示されています。 +The NumPy project welcomes your expertise and enthusiasm! +Your choices aren't limited to programming, as you can +see below there are many areas where we need **your** help. もしどこから始めればいいか、あなたのスキルをどう生かせばいいかがわからない場合は、 _是非ご連絡下さい。 _ 連絡の方法としては、 [メーリングリスト](https://mail.python.org/mailman/listinfo/numpy-discussion) 、 [GitHub](http://github.com/numpy/numpy)、 [イシューの作成](https://github.com/numpy/numpy/issues) 、関連するイシューへのコメントがあります。 連絡先としては、 または、[Slack](https://numpy-team.slack.com) (グループに招待するためにこちらに連絡お願いします: )があります。 また、隔週の _コミュニティミーティング_もあり、詳細は [メーリングリスト](https://mail.python.org/mailman/listinfo/numpy-discussion) で発表されています。 あなたの参加を大いに歓迎します。 オープンソースプロジェクトに貢献するのが初めての方は、是非、 [このガイド](https://opensource.guide/how-to-contribute/) を読んでみて下さい。 +You are very welcome to join. +If you are new to contributing to open source, we also highly recommend reading +[this guide](https://opensource.guide/how-to-contribute/). -私たちのコミュニティは、誰もが平等に扱われ、すべての貢献を平等に評価することを目指しています。 私たちはオープンで居心地の良いコミュニティを作るために [行動基準](/ja/code-of-conduct) を制定しています。 +私たちのコミュニティは、誰もが平等に扱われ、すべての貢献を平等に評価することを目指しています。 私たちはオープンで居心地の良いコミュニティを作るために [行動基準](/ja/code-of-conduct) を制定しています。 We have a [Code of Conduct](/code-of-conduct) to foster an open +and welcoming environment. ### コードを書く -プログラマーの方には、こちらの [ガイド](https://numpy.org/devdocs/dev/index.html#development-process-summary)でNumPyのコードに貢献する方法を説明しています。
追加情報に関しては、 こちらの[YouTube チャンネル](https://www.youtube.com/playlist?list=PLCK6zCrcN3GXBUUzDr9L4__LnXZVtaIzS) もご覧ください。 - +プログラマーの方には、こちらの [ガイド](https://numpy.org/devdocs/dev/index.html#development-process-summary)でNumPyのコードに貢献する方法を説明しています。
追加情報に関しては、 こちらの[YouTube チャンネル](https://www.youtube.com/playlist?list=PLCK6zCrcN3GXBUUzDr9L4__LnXZVtaIzS) もご覧ください。
Check out also our [YouTube channel](https://www.youtube.com/playlist?list=PLCK6zCrcN3GXBUUzDr9L4__LnXZVtaIzS) for additional advice. ### プルリクエストのレビュー -NumPyプロジェクトには現時点で250以上のオープンなプルリクエストがあり、多くの 改善要求と多くのレビュワーからのフィードバックを待っています。 もしあなたがNumPy を使ったことがある場合、 たとえNumPyコードベースに慣れていない場合でも貢献する方法はあります。 例えば、 -* 長期にわたる議論をまとめる -* ドキュメントのPRをトリアージする -* 提案された変更をテストする +The project has more than 250 open pull requests -- meaning many potential +improvements and many open-source contributors waiting for feedback. If you're +a developer who knows NumPy, you can help even if you're not familiar with the +codebase. You can: + +- 長期にわたる議論をまとめる +- ドキュメントのPRをトリアージする +- 提案された変更をテストする ### 教育用の資料を作成する NumPy の [ユーザガイド](https://numpy.org/devdocs) は現在、大規模な再設計中です。 新しいNumPyのWebページは、新しいチュートリアルや、NumPyの使い方、NumPy内部の深い説明など必要としており、サイト全体にも再設計と再構築が必要です。 このウェブサイトの再構築の作業は、ドキュメントを書くだけではありません。 コード例や、ノートブック、ビデオなどの作成も歓迎しています。 [NEP 44 — Restructuring the NumPyDocumentation](https://numpy.org/neps/nep-0044-restructuring-numpy-docs.html)に、ウェブサイトの再構築についての詳細が説明されています。 +We're in need of new tutorials, how-to's, and deep-dive explanations, and the +site needs restructuring. Opportunities aren't limited to writers. We'd also +welcome worked examples, notebooks, and videos. NumPyプロジェクトを成功させるには、あなたの専門知識とプロジェクトに関する熱意が必要です。 貢献方法はプログラミングに限定されません。 このページには**あなたができる** 様々な種類の貢献方法が示されています。 +### Issue triaging -### イシューのトリアージ - -[NumPyのイシュートラッカー](https://github.com/numpy/numpy/issues) には、 _沢山の_Open状態のイシューがあります。 すでに解決されたもの、優先順位付けされるべきもの、 初心者が取り組むのに適したものがあります。 あなたができることは、いくつもあります: +[NumPyのイシュートラッカー](https://github.com/numpy/numpy/issues) には、 _沢山の_Open状態のイシューがあります。 すでに解決されたもの、優先順位付けされるべきもの、 初心者が取り組むのに適したものがあります。 あなたができることは、いくつもあります: Some are no longer valid, some should be prioritized, and some +would make good issues for new contributors. You can: -* 古いバグがまだ残っているか確認する -* 重複したイシューを見つけ、お互いに関連づける -* 問題を再現するコードを作成する -* イシューに正しいラベル付けをする (トリアージ権が必要なので、連絡下さい) - -ぜひ、やってみて下さい。 +- 古いバグがまだ残っているか確認する +- find duplicate issues and link related ones +- add good self-contained reproducers to issues +- 問題を再現するコードを作成する イシューに正しいラベル付けをする (トリアージ権が必要なので、連絡下さい) +Please just dive in. ### ウェブサイトの開発 -私たちはちょうどウェブサイトを作り直し始めたところですが、それらはまだ完了していません。 Web開発が好きなら、この[イシュー](https://github.com/numpy/numpy.org/issues?q=is%3Aissue+is%3Aopen+label%3Adesign) に未完成な要求が列挙されています。 ぜひ、あなたのアイデアを共有してください。 - +We've just revamped our website, but we're far from done. 私たちはちょうどウェブサイトを作り直し始めたところですが、それらはまだ完了していません。 Web開発が好きなら、この[イシュー](https://github.com/numpy/numpy.org/issues?q=is%3Aissue+is%3Aopen+label%3Adesign) に未完成な要求が列挙されています。 ぜひ、あなたのアイデアを共有してください。 ### グラフィックデザイン -グラフィックデザイナーの方が可能な貢献は、枚挙にいとまがありません。 しかし、私たちのドキュメントは説明のために可視化が重要であり、私たちの拡大しているウェブサイトは良い画像を求めていることから、 貢献する機会が沢山あると言えます。 - +We can barely begin to list the contributions a graphic designer can make here. +Our docs are parched for illustration; our growing website craves images -- +opportunities abound. ### ウェブサイトの翻訳 -私たちは、[numpy.org](https://numpy.org) を複数言語に翻訳し、NumPyを母国語でアクセスできるようにしたいと思っています。 これを実現するには、ボランティアの翻訳者が必要です。 詳しくは[このイシュー](https://numpy.org/neps/nep-0028-website-redesign.html#translation-multilingual-i18n)を参照してください。 [この GitHubイシュー](https://github.com/numpy/numpy.org/issues/55) にコメントしてサインアップしてください。 - +NumPyプロジェクトには現時点で250以上のオープンなプルリクエストがあり、多くの 改善要求と多くのレビュワーからのフィードバックを待っています。 もしあなたがNumPy を使ったことがある場合、 たとえNumPyコードベースに慣れていない場合でも貢献する方法はあります。 例えば、 Volunteer translators are at the heart +of this effort. 私たちは、[numpy.org](https://numpy.org) を複数言語に翻訳し、NumPyを母国語でアクセスできるようにしたいと思っています。 これを実現するには、ボランティアの翻訳者が必要です。 詳しくは[このイシュー](https://numpy.org/neps/nep-0028-website-redesign.html#translation-multilingual-i18n)を参照してください。 [この GitHubイシュー](https://github.com/numpy/numpy.org/issues/55) にコメントしてサインアップしてください。 ### コミュニティとの連携とアウトリーチ -コミュニティとのコミュニケーションを通じて、私たちは、NumPyより広く知ってもらい、どこに問題があるのかを知りたいと思っています。 私たちは、[Twitter](https://twitter.com/numpy_team) アカウントや、NumPy[コードスプリント](https://scisprints.github.io/)の開催、ニュースレターの発行、そしておそらくブログなどを通じて、より沢山の人にコミュニティに参加して欲しいと思っていす。 +Through community contact we share our work more widely and learn where we're +falling short. コミュニティとのコミュニケーションを通じて、私たちは、NumPyより広く知ってもらい、どこに問題があるのかを知りたいと思っています。 私たちは、[Twitter](https://twitter.com/numpy_team) アカウントや、NumPy[コードスプリント](https://scisprints.github.io/)の開催、ニュースレターの発行、そしておそらくブログなどを通じて、より沢山の人にコミュニティに参加して欲しいと思っていす。 ### 資金調達 -NumPyは何年にも渡ってボランティアだけ活動していましたが、その重要性が高まるにつれ、安定性と成長のためには資金面での支援が必要であることがわかってきました。 こちらの[SciPy'19のプレゼン](https://www.youtube.com/watch?v=dBTJD_FDVjU) では、資金的なサポートを受けたことで、どれだけ違いが出たかを説明しています。 他の非営利団体のように、私たちは助成金や、スポンサーシップ、その他の資金支援を常に探しています。 私たちはすでにいくつかの資金調達のアイデアを持っていますが、他にもより多くを資金調達を受けたいと思っています。 資金調達に関する知識は、我々には不足しているスキルです。 是非、あなたのサポートをお待ちしています。 +For many years, NumPy was maintained by dedicated volunteers, but as its importance grew it +became clear that to ensure stability and growth we would need financial support. +[This SciPy'19 talk](https://www.youtube.com/watch?v=dBTJD_FDVjU) explains how much difference +that support has made. Like most nonprofits, we are constantly seeking grants, sponsorships, +and other kinds of funding. We have a number of ideas and of course we welcome more. +Fundraising is a scarce skill here -- we'd appreciate your help. + +### Donate + +If you'd like to contribute to NumPy by making a donation, visit [https://numpy.org/about/#donate](https://numpy.org/about/#donate). diff --git a/content/ja/gethelp.md b/content/ja/gethelp.md index 0a77e294c0..7bde760dc4 100644 --- a/content/ja/gethelp.md +++ b/content/ja/gethelp.md @@ -3,32 +3,20 @@ title: サポートを得る方法 sidebar: false --- -**ユーザーからの質問:** ユーザーからの質問に対して回答を得る最も良い方法は、[StackOverflow](http://stackoverflow.com/questions/tagged/numpy)に質問を投稿することです。 規模は小さいですが、下記のような質問をする場所もあります: [IRC](https://webchat.freenode.net/?channels=%23numpy)、 [Gitter](https://gitter.im/numpy/numpy)、 [Reddit](https://www.reddit.com/r/Numpy/)。 私たちはこれらのサイトを定期的に確認して、直接質問に答えるようにしていますが、質問の数は膨大です。 - **開発関連の問題:** NumPyの開発関連の問題 (例: バグレポート) については、[コミュニティ](/community) のページを参照してください。 - +**ユーザーからの質問:** ユーザーからの質問に対して回答を得る最も良い方法は、[StackOverflow](http://stackoverflow.com/questions/tagged/numpy)に質問を投稿することです。 規模は小さいですが、下記のような質問をする場所もあります: [IRC](https://webchat.freenode.net/?channels=%23numpy)、 [Gitter](https://gitter.im/numpy/numpy)、 [Reddit](https://www.reddit.com/r/Numpy/)。 私たちはこれらのサイトを定期的に確認して、直接質問に答えるようにしていますが、質問の数は膨大です。 We wish we could keep an eye on +these sites, or answer questions directly, but the volume is a little +overwhelming! ### [StackOverflow](http://stackoverflow.com/questions/tagged/numpy) -NumPyの使用方法に関する質問をするためのフォーラムです。 例えば、「NumPyでXをするにはどうすればいいですか？ 質問をする時は、[ `#numpy` タグ](https://stackoverflow.com/help/tagging) を使用してください。 +NumPyの使用方法に関する質問をするためのフォーラムです。 例えば、「NumPyでXをするにはどうすればいいですか？ 質問をする時は、[ `#numpy` タグ](https://stackoverflow.com/help/tagging) を使用してください。 [Gitter](https://gitter.im/numpy/numpy) *** ### [Reddit](https://www.reddit.com/r/Numpy/) -もう一つの使い方に関する質問の場です。 - -*** - -### [Gitter](https://gitter.im/numpy/numpy) - -ユーザーとコミュニティメンバーがお互いに助け合うリアルタイムのチャットルームです。 - -*** - -### [IRC](https://webchat.freenode.net/?channels=%23numpy) - -ユーザーとコミュニティメンバーがお互いを助け合うもう一つのリアルタイムチャットルームです。 +Another forum for usage questions. *** diff --git a/content/ja/history.md b/content/ja/history.md index 04a5eb6432..66ae3a1475 100644 --- a/content/ja/history.md +++ b/content/ja/history.md @@ -3,23 +3,18 @@ title: NumPyの歴史 sidebar: false --- -NumPy は配列データ構造と配列に関連する高速な数値ルーチンを提供する Python 基礎的なライブラリです。 開始当初は資金も少なく、主に大学院生により開発されていました。その多くはコンピュータサイエンスの教育を受けておらず、指導教官のサポートも受けていませんでした。少数の "野良"学生プログラマーのグループが、すでに確立されていた商用研究ソフトウェアのエコシステムをひっくり返すなんて、想像することすら馬鹿げていました。 商用ソフトは、何百万もの資金と何百人もの優秀なエンジニアに支えられていましたから。それでも、独特の視点を持つ熱狂的でフレンドリーなコミュニティに助けられ、完全にオープンなツールスタックの背後にある哲学的な動機は、長い目では日の目を見てきました。現在では、NumPyは科学者、技術者、および世界中の多くの専門家によって信頼され、使われています。 例えば、重力波の解析に用いられた公開スクリプトはNumPyを利用していますし、「M87ブラックホール画像化プロジェクト」では、直接NumPyを引用しています。 このライブラリの開発開始当初は資金も少なく、主に大学院生が開発していましたが、その多くはコンピュータサイエンスの教育を受けておらず、指導教官のサポートも受けていませんでした。 何百万もの資金調達と何百人もの優秀なエンジニアに支えられている当時の商用研究ソフトウェアのエコシステムを、少数の "野良"学生プログラマーのグループがひっくり返すことができると想像することさえ、当時は馬鹿げていると考えられていました。 それでも、独特の視点を持つ熱狂的でフレンドリーなコミュニティに助けられ、完全にオープンなツールスタックの背後にある哲学的な動機は、長い目では日の目を見てきました。 現在では、Numpy は科学者、技術者、および世界中の多くの専門家によって信頼され、使われています。 例えば、重力波の解析に用いられた公開スクリプトはNumPyを利用していますし、「M87ブラックホール画像化プロジェクト」では、直接NumPyを引用しています。 +NumPy is a foundational Python library that provides array data structures and related fast numerical routines. When started, the library had little funding, and was written mainly by graduate students—many of them without computer science education, and often without a blessing of their advisors. To even imagine that a small group of “rogue” student programmers could upend the already well-established ecosystem of research software—backed by millions in funding and many hundreds of highly qualified engineers — was preposterous. Yet, the philosophical motivations behind a fully open tool stack, in combination with the excited, friendly community with a singular focus, have proven auspicious in the long run. Nowadays, NumPy is relied upon by scientists, engineers, and many other professionals around the world. For example, the published scripts used in the analysis of gravitational waves import NumPy, and the M87 black hole imaging project directly cites NumPy. NumPy および関連ライブラリの開発におけるマイルストーンの詳細については、 [arxiv.org](arxiv.org/abs/1907.10121) を参照してください。 NumPyのベースとなったNumericとNumarrayライブラリのコピーを入手したい場合は、以下のリンクを参照してください。 -[ *Numeric*](https://sourceforge.net/projects/numpy/files/Old%20Numeric/) のダウンロード** +[ _Numeric_](https://sourceforge.net/projects/numpy/files/Old%20Numeric/) のダウンロード\*\* -[*Numarray *](https://sourceforge.net/projects/numpy/files/Old%20Numarray/) のダウンロード** +[\*Numarray \*](https://sourceforge.net/projects/numpy/files/Old%20Numarray/) のダウンロード\*\* -*これらの古いパッケージはもはや保守されていないことに注意してください。 配列関連の処理をしたい場合は、NumPyを使用するか、NumPyライブラリを利用するために既存のコードをリファクタリングすることを強くお勧めします。

+\*これらの古いパッケージはもはや保守されていないことに注意してください。 配列関連の処理をしたい場合は、NumPyを使用するか、NumPyライブラリを利用するために既存のコードをリファクタリングすることを強くお勧めします。

-

- 過去の資料 -

- -

- Numericマニュアルのダウンロード -

+### 過去の資料 +Numericマニュアルのダウンロード diff --git a/content/ja/install.md b/content/ja/install.md index ba4c568ec2..b503f38663 100644 --- a/content/ja/install.md +++ b/content/ja/install.md @@ -3,9 +3,11 @@ title: NumPyのインストール sidebar: false --- -NumPyをインストールするための唯一必要なものは、Pythonそのものだけです。 もしまだPythonをイントールしておらず、最もシンプルなインストール方法をお探しなら、[Anaconda Distribution](https://www.anaconda.com/distribution)の使用をおすすめします。これにはPython、NumPy、および科学計算やデータサイエンスでよく使われる様々な多くのパッケージが含まれています。 +NumPyをインストールするための唯一必要なものは、Pythonそのものだけです。 もしまだPythonをイントールしておらず、最もシンプルなインストール方法をお探しなら、[Anaconda Distribution](https://www.anaconda.com/distribution)の使用をおすすめします。これにはPython、NumPy、および科学計算やデータサイエンスでよく使われる様々な多くのパッケージが含まれています。 まずはユーザの経験レベルと、関心のあるOSに基づいた推奨方法から説明していきたいと思います。 PythonやNumPyの経験が「初級」と「上級」の間の方は、シンプルにインストールしたい場合は「初級」を、より長い視点にたったベストプラクティスに沿ってインストールしたい方は「上級」を参照ください。 NumPyは`conda`、`pip` 、macOSやLinuxのパッケージマネージャー、または [ソースコード](https://numpy.org/devdocs/building)からインストールすることが出来ます。 詳細な手順については、以下の [Python と Numpyの インストールガイド](#python-numpy-install-guide) を参照してください。 +For more detailed instructions, consult our Python and NumPy +installation guide below. **CONDA** @@ -28,18 +30,25 @@ conda install numpy ```bash pip install numpy ``` -またpipを使う場合、仮想環境を使うことをおすすめします。 [再現可能なインストール](#reproducible-installs)を参照ください。 [こちらの記事](https://dev.to/bowmanjd/python-tools-for-managing-virtual-environments-3bko#howto)では仮想環境を使う詳細について説明されています。 +またpipを使う場合、仮想環境を使うことをおすすめします。 [再現可能なインストール](#reproducible-installs)を参照ください。 [こちらの記事](https://dev.to/bowmanjd/python-tools-for-managing-virtual-environments-3bko#howto)では仮想環境を使う詳細について説明されています。 # PythonとNumPyの インストールガイド -Pythonパッケージのインストールと管理は複雑なので、ほとんどのタスクには数多くの代替ツールがあります。 このガイドでは、読者に最適な(または最も人気のある) 方法と明確な指針を提供したいと思います。 このガイドでは、一般的なオペレーティングシステムとハードウェア上での、 Python、NumPy、PyData (または数値計算) スタックのユーザに焦点を当てています。 +Pythonパッケージのインストールと管理は複雑なので、ほとんどのタスクには数多くの代替ツールがあります。 このガイドでは、読者に最適な(または最も人気のある) 方法と明確な指針を提供したいと思います。 このガイドでは、一般的なオペレーティングシステムとハードウェア上での、 Python、NumPy、PyData (または数値計算) スタックのユーザに焦点を当てています。 This guide tries to give the +reader a sense of the best (or most popular) solutions, and give clear +recommendations. It focuses on users of Python, NumPy, and the PyData (or +numerical computing) stack on common operating systems and hardware. ## 推奨方法 -まずはユーザの経験レベルと、関心のあるOSに基づいた推奨方法から説明していきたいと思います。 PythonやNumPyの経験が「初級」と「上級」の間の方は、シンプルにインストールしたい場合は「初級」を、より長い視点にたったベストプラクティスに沿ってインストールしたい方は「上級」を参照ください。 +We'll start with recommendations based on the user's experience level and +operating system of interest. If you're in between "beginning" and "advanced", +please go with "beginning" if you want to keep things simple, and with +"advanced" if you want to work according to best practices that go a longer way +in the future. ### 初級ユーザ @@ -49,7 +58,6 @@ Windows、macOS、Linuxのすべてのユーザー向けには: - コードを書いたり、実行してみましょう。 探索的・対話的コンピューティングには[JupyterLab](https://jupyterlab.readthedocs.io/en/stable/index.html)のノートブックが便利です。 スクリプトやパッケージの作成には[Spyder](https://www.spyder-ide.org/)や[Visual Studio Code](https://code.visualstudio.com/)を利用できます。 - [Anaconda Navigator](https://docs.anaconda.com/anaconda/navigator/) を使ってパッケージを管理し、JupyterLab、Spyder、Visual Studio Codeを使い始められます。 - ### 上級ユーザー #### Conda @@ -60,30 +68,41 @@ Windows、macOS、Linuxのすべてのユーザー向けには: #### pip/PyPI を利用したい場合 個人的な好みや、下記のcondaとpipの違いを理解した上で、pip/PyPIベースの方法を使いたいユーザーには、下記をお勧めします: + - [python.org](https://www.python.org/downloads/)からや、Macを使っている場合は[Homebrew](https://brew.sh/)、 Linuxを使っている場合は、Linuxのパッケージマネージャーを使ってPythonをインストールします。 - 依存関係の解決と環境の管理を提供する最もよくメンテナンスされているツールとして、[Poetry](https://python-poetry.org/) をconda と同様な方法で使用することができます。 - ## Pythonにおけるパッケージ管理 -パッケージの管理は難しいため、たくさんのツールが存在しています。 ウェブ開発と汎用的なPython開発には、こちらのようなpipを補完する [ツール](https://packaging.python.org/guides/tool-recommendations/) があります。 ハイパフォーマンスコンピューティング(HPC)では、 [Spack](https://github.com/spack/spack) を使うことを検討して下さい。 NumPyのほとんどのユーザーにとっては、 [conda](https://conda.io/en/latest/) と [pip](https://pip.pypa.io/en/stable/) が最も広く利用されているツールです。 - +Managing packages is a challenging problem, and, as a result, there are lots of +tools. パッケージの管理は難しいため、たくさんのツールが存在しています。 ウェブ開発と汎用的なPython開発には、こちらのようなpipを補完する [ツール](https://packaging.python.org/guides/tool-recommendations/) があります。 ハイパフォーマンスコンピューティング(HPC)では、 [Spack](https://github.com/spack/spack) を使うことを検討して下さい。 NumPyのほとんどのユーザーにとっては、 [conda](https://conda.io/en/latest/) と [pip](https://pip.pypa.io/en/stable/) が最も広く利用されているツールです。 For high-performance computing (HPC), +[Spack](https://github.com/spack/spack) is worth considering. For most NumPy +users though, [conda](https://conda.io/en/latest/) and +[pip](https://pip.pypa.io/en/stable/) are the two most popular tools. ### Pipとconda -`pip` と `conda` がPythonパッケージをインストールするための2つの主要なツールです。 これら二つのツールの機能は部分的に重複しますが(例えば、両方とも `numpy`をインストールできます)、一緒に動作することもできます。 ここでは、pip とcond の主要な違いについて説明します。 これは、パッケージをどのように効果的に管理するかを理解したい場合、重要な知識です。 +`pip` と `conda` がPythonパッケージをインストールするための2つの主要なツールです。 これら二つのツールの機能は部分的に重複しますが(例えば、両方とも `numpy`をインストールできます)、一緒に動作することもできます。 ここでは、pip とcond の主要な違いについて説明します。 これは、パッケージをどのように効果的に管理するかを理解したい場合、重要な知識です。 Their +functionality partially overlaps (e.g. both can install `numpy`), however, they +can also work together. We'll discuss the major differences between pip and +conda here - this is important to understand if you want to manage packages +effectively. -2つ目の違いは、pipはPython Packaging Index(PyPI) からパッケージをインストールするのに対し、condaは独自のチャンネル(一般的には "defaults "や "conda-forge "など) からインストールすることです。 PyPIは最大のパッケージ管理システムですが、人気のある全てのパッケージがcondaでも利用可能です。 +最初の違いは、condaは複数言語に対応可能で、Python自体をインストールできることです。 pip はシステム上の特定の Python にインストールされ、パッケージはそのPython用にのみインストールします。 PyPIは、最大のパッケージ管理システムですが、すべての代表的なパッケージは、condaにも利用可能です。 This also means conda can install +non-Python libraries and tools you may need (e.g. compilers, CUDA, HDF5), while +pip can't. -最初の違いは、condaは複数言語に対応可能で、Python自体をインストールできることです。 pip はシステム上の特定の Python にインストールされ、パッケージはそのPython用にのみインストールします。 PyPIは、最大のパッケージ管理システムですが、すべての代表的なパッケージは、condaにも利用可能です。 +2つ目の違いは、pipはPython Packaging Index(PyPI) からパッケージをインストールするのに対し、condaは独自のチャンネル(一般的には "defaults "や "conda-forge "など) からインストールすることです。 PyPIは最大のパッケージ管理システムですが、人気のある全てのパッケージがcondaでも利用可能です。 PyPI is the largest collection of packages by far, however, all +popular packages are available for conda as well. -3つ目の違いは、condaはパッケージ、依存関係、環境を管理するための統合されたソリューションであるのに対し、pipでは環境や複雑な依存関係を扱うために別のツール(たくさん存在しています！ +3つ目の違いは、condaはパッケージ、依存関係、環境を管理するための統合されたソリューションであるのに対し、pipでは環境や複雑な依存関係を扱うために別のツール(たくさん存在しています！ for dealing with environments or complex dependencies. ### 再現可能なインストール -ライブラリが更新されると、コードの実行結果が変わったり、コードが完全に 壊れたりする可能性があります。 なので重要なことは、使用しているパッケージの組み合わせと各バージョンのセットを再構築できるようにしておくことです。 ベストプラクティスは次の通りです: +ライブラリが更新されると、コードの実行結果が変わったり、コードが完全に 壊れたりする可能性があります。 なので重要なことは、使用しているパッケージの組み合わせと各バージョンのセットを再構築できるようにしておくことです。 ベストプラクティスは次の通りです: It's important to be able to reconstruct the set +of packages and versions you're using. Best practice is to: 1. プロジェクトごとに異なる仮想環境を使用して下さい。 2. パッケージインストーラを使用してパッケージ名とバージョンを記録するようにして下さい。 それぞれ、独自のメタデータフォーマットがあります: @@ -91,17 +110,23 @@ Windows、macOS、Linuxのすべてのユーザー向けには: - pipの場合: [仮想環境](https://docs.python.org/3/tutorial/venv.html) と [requirements.txt](https://pip.readthedocs.io/en/latest/user_guide/#requirements-files) - poetryの場合: [仮想環境とpyproject.toml](https://python-poetry.org/docs/basic-usage/) - - ## NumPyパッケージと高速線形代数ライブラリ -NumPy は他の Python パッケージに依存していませんが、高速な線形代数ライブラリに依存しています。 典型的には、[インテル® MKL](https://software.intel.com/en-us/mkl)や[OpenBLAS](https://www.openblas.net/)がこれにあたります。 ユーザーは、これらの線形代数ライブラリのインストールを心配する必要はありません (NumPyのインストール方法に、あらかじめ含まれているためです)。 高度なユーザーは、使用されているBLASがパフォーマンスや、動作、ディスク上のサイズに影響を与えるため、より詳細を知りたがるかもしれません。 +NumPy は他の Python パッケージに依存していませんが、高速な線形代数ライブラリに依存しています。 典型的には、[インテル® MKL](https://software.intel.com/en-us/mkl)や[OpenBLAS](https://www.openblas.net/)がこれにあたります。 ユーザーは、これらの線形代数ライブラリのインストールを心配する必要はありません (NumPyのインストール方法に、あらかじめ含まれているためです)。 高度なユーザーは、使用されているBLASがパフォーマンスや、動作、ディスク上のサイズに影響を与えるため、より詳細を知りたがるかもしれません。 Users don't have to worry about +installing those (they're automatically included in all NumPy install methods). +Power users may still want to know the details, because the used BLAS can +affect performance, behavior and size on disk: - pipでインストールされるPyPI上の NumPy wheelは、OpenBLASを使ってビルドされます。 つまりwheelにはOpenBLASライブラリが含まれています。 そのため、ユーザが（例えば）SciPyも同じようにインストールした場合、ディスク上にOpenBLASのコピーをNumPyのものと2つ持つことになります + The OpenBLAS libraries are included in the wheel. This makes the wheel + larger, and if a user installs (for example) SciPy as well, they will now + have two copies of OpenBLAS on disk. -- condaのデフォルトチャンネルでは、NumPy はインテル® MKLを使ってビルドされます。 MKLはNumPyのインストール時に、独立したパッケージとしてユーザー環境にインストールされます。 +- condaのデフォルトチャンネルでは、NumPy はインテル® MKLを使ってビルドされます。 MKLはNumPyのインストール時に、独立したパッケージとしてユーザー環境にインストールされます。 MKL is a + separate package that will be installed in the users' environment when they + install NumPy. -- conda-forgeのチャンネルでは、NumPyはダミーの「BLAS」パッケージを使ってビルドされています。 ユーザーがconda-forgeからNumPyをインストールすると、BLASパッケージが実際のライブラリと一緒にインストールされます。 デフォルトはOpenBLASですが、MKL(default チャンネルの場合)や [BLIS](https://github.com/flame/blis)、またはBLASを利用することもできます。 +- In the conda-forge channel, NumPy is built against a dummy "BLAS" package. conda-forgeのチャンネルでは、NumPyはダミーの「BLAS」パッケージを使ってビルドされています。 ユーザーがconda-forgeからNumPyをインストールすると、BLASパッケージが実際のライブラリと一緒にインストールされます。 デフォルトはOpenBLASですが、MKL(default チャンネルの場合)や [BLIS](https://github.com/flame/blis)、またはBLASを利用することもできます。 - OpenBLASは約30MBですが、MKLパッケージはOpenBLASよりもはるかに大きく、ディスク上の約700MBです。 @@ -109,9 +134,14 @@ NumPy は他の Python パッケージに依存していませんが、高速な インストールサイズ、パフォーマンスとロバスト性に加えて、考慮すべき2つの点があります: -- インテル® MKL はオープンソースではありません。 通常の使用では問題ではありませんが、 ユーザーが NumPy で構築されたアプリケーションを再配布する必要がある場合、これは 問題が発生する可能性があります。 -- MKLとOpenBLASの両方とも、 np.dotのような関数呼び出しにマルチスレッドを使用し、スレッド数はビルド時オプションと環境変数の両方で決定されます。 多くの場合、すべての CPU コアが使用されます。 これにユーザーにとっては予想外のことかもしれません。 NumPy 自体は、関数呼び出しを自動的に並列化しないからです。 自動並列化により、一般にはパフォーマンスが向上しますが、逆にパフォーマンスが悪化する場合もあります。 例えば、Daskやscikit-learn、multiprocessingなど別のレベルの並列化を使用している場合です。 - +- インテル® MKL はオープンソースではありません。 通常の使用では問題ではありませんが、 ユーザーが NumPy で構築されたアプリケーションを再配布する必要がある場合、これは 問題が発生する可能性があります。 For normal use this is not a problem, but if + a user needs to redistribute an application built with NumPy, this could be + an issue. +- MKLとOpenBLASの両方とも、 np.dotのような関数呼び出しにマルチスレッドを使用し、スレッド数はビルド時オプションと環境変数の両方で決定されます。 多くの場合、すべての CPU コアが使用されます。 これにユーザーにとっては予想外のことかもしれません。 NumPy 自体は、関数呼び出しを自動的に並列化しないからです。 自動並列化により、一般にはパフォーマンスが向上しますが、逆にパフォーマンスが悪化する場合もあります。 例えば、Daskやscikit-learn、multiprocessingなど別のレベルの並列化を使用している場合です。 Often all CPU cores will be used. This is + sometimes unexpected for users; NumPy itself doesn't auto-parallelize any + function calls. It typically yields better performance, but can also be + harmful - for example when using another level of parallelization with Dask, + scikit-learn or multiprocessing. ## トラブルシューティング @@ -122,4 +152,3 @@ IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE! Importing the numpy c-extensions failed. This error can happen for different reasons, often due to issues with your setup. ``` - diff --git a/content/ja/learn.md b/content/ja/learn.md index 867861fd9e..646fb76766 100644 --- a/content/ja/learn.md +++ b/content/ja/learn.md @@ -1,5 +1,5 @@ --- -title: NumPyの学び方 +title: Learn sidebar: false --- @@ -11,30 +11,30 @@ sidebar: false ## 初心者向け -NumPyについての資料は多数存在しています。 初心者の方にはこちらの資料を強くお勧めします： +NumPyについての資料は多数存在しています。 初心者の方にはこちらの資料を強くお勧めします： If you are just starting, we'd strongly recommend the following: - **動画** + **書籍** -* [NumPy Quickstart チュートリアル](https://numpy.org/devdocs/user/quickstart.html) -* [NumPyチュートリアル](https://numpy.org/numpy-tutorials)で、いくつかのチュートリアルと教育的資料を見ることができます。 このページのゴールは、NumPyプロジェクトによる質のいい資料を提供することです。 自習と講義形式の両方を想定しており、Jupyterノートブック形式で提供されます。 もしあなた自身の資料を追加することに興味がある場合、[Github上のnumpy-tutorialsリポジトリ](https://github.com/numpy/numpy-tutorials)をチェックしてみて下さい。 -* [イラストで学ぶNumPy *by Lev Maximov*](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b) -* [Scientific Pythonレクチャー](https://lectures.scientific-python.org/) NumPyだけでなく、科学的なPythonソフトウェアエコシステムを広く紹介しています。 -* [NumPy: 初心者のための基本](https://numpy.org/devdocs/user/absolute_beginners.html) -* [NumPy チュートリアル *by Nicolas Rougier*](https://github.com/rougier/numpy-tutorial) -* [スタンフォード大学 CS231 *by Justin Johnson*](http://cs231n.github.io/python-numpy-tutorial/) -* [NumPyユーザーガイド](https://numpy.org/devdocs) +- [NumPy Quickstart チュートリアル](https://numpy.org/devdocs/user/quickstart.html) +- [NumPyチュートリアル](https://numpy.org/numpy-tutorials)で、いくつかのチュートリアルと教育的資料を見ることができます。 このページのゴールは、NumPyプロジェクトによる質のいい資料を提供することです。 自習と講義形式の両方を想定しており、Jupyterノートブック形式で提供されます。 もしあなた自身の資料を追加することに興味がある場合、[Github上のnumpy-tutorialsリポジトリ](https://github.com/numpy/numpy-tutorials)をチェックしてみて下さい。 https://www.tutorialspoint.com/numpy/numpy_advanced_indexing.htm +- [イラストで学ぶNumPy _by Lev Maximov_](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b) +- [Scientific Pythonレクチャー](https://lectures.scientific-python.org/) NumPyだけでなく、科学的なPythonソフトウェアエコシステムを広く紹介しています。 +- [NumPy: 初心者のための基本](https://numpy.org/devdocs/user/absolute_beginners.html) +- [NumPy チュートリアル _by Nicolas Rougier_](https://github.com/rougier/numpy-tutorial) +- [スタンフォード大学 CS231 _by Justin Johnson_](http://cs231n.github.io/python-numpy-tutorial/) +- [NumPyユーザーガイド](https://numpy.org/devdocs) **チュートリアル** -* [NumPガイド *Travelis E. Oliphant著*](http://web.mit.edu/dvp/Public/numpybook.pdf) これは2006年の無料版の初版です 最新版(2015年)については、こちら [を参照ください](https://www.barnesandnoble.com/w/guide-to-numpy-travis-e-oliphant-phd/1122853007). -* [PythonにおけるNumPy (発展編)](https://www.labri.fr/perso/nrougier/from-python-to-numpy/) -* [エレガントなSciPy](https://www.amazon.com/Elegant-SciPy-Art-Scientific-Python/dp/1491922877) *Juan Nunez-Iglesias・Stefan van der Walt・Harriet Dashnow 著* +- [NumPガイド _Travelis E. Oliphant著_](http://web.mit.edu/dvp/Public/numpybook.pdf) これは2006年の無料版の初版です 最新版(2015年)については、こちら [を参照ください](https://www.barnesandnoble.com/w/guide-to-numpy-travis-e-oliphant-phd/1122853007). For the latest copy (2015) see [here](https://www.barnesandnoble.com/w/guide-to-numpy-travis-e-oliphant-phd/1144670472). +- [PythonにおけるNumPy (発展編)](https://www.labri.fr/perso/nrougier/from-python-to-numpy/) +- [エレガントなSciPy](https://www.amazon.com/Elegant-SciPy-Art-Scientific-Python/dp/1491922877) _Juan Nunez-Iglesias・Stefan van der Walt・Harriet Dashnow 著_ -また、「Python+SciPy」を題材にした[推薦本リスト](https://www.goodreads.com/shelf/show/python-scipy) もチェックしてみてください。 ほとんどの本にはNumPyを核とした「SciPyエコシステム」が説明されています。 +また、「Python+SciPy」を題材にした[推薦本リスト](https://www.goodreads.com/shelf/show/python-scipy) もチェックしてみてください。 ほとんどの本にはNumPyを核とした「SciPyエコシステム」が説明されています。 Most books there are about the "SciPy ecosystem," which has NumPy at its core. **動画** -* [NumPy を使った数値計算入門](http://youtu.be/ZB7BZMhfPgk) *by Alex Chabot-Leclerc* +- [NumPy を使った数値計算入門](http://youtu.be/ZB7BZMhfPgk) _by Alex Chabot-Leclerc_ *** @@ -42,32 +42,32 @@ NumPyについての資料は多数存在しています。 初心者の方に 高度なインデックス指定、分割、スタッキング、線形代数など、NumPyの概念をより深く理解するためには、これらの上級者向け資料を試してみてください。 - **書籍** + **動画** -* https://www.tutorialspoint.com/numpy/numpy_advanced_indexing.htm -* [NumPyとSciPyへのイントロダクション](https://engineering.ucsb.edu/~shell/che210d/numpy.pdf) *M. Scott Shell著* -* [NumPy救急キット](http://mentat.za.net/numpy/numpy_advanced_slides/) *Stéfan van der Walt著* -* [NumPyチュートリアル](https://numpy.org/numpy-tutorials)で、いくつかのチュートリアルと教育的資料を見ることができます。 このページのゴールは、NumPyプロジェクトによる質のいい資料を提供することです。 自習と講義形式の両方を想定しており、Jupyterノートブック形式で提供されます。 もしあなた自身の資料を追加することに興味がある場合、[Github上のnumpy-tutorialsリポジトリ](https://github.com/numpy/numpy-tutorials)をチェックしてみて下さい。 +- NumPyの学び方 +- [NumPyとSciPyへのイントロダクション](https://engineering.ucsb.edu/~shell/che210d/numpy.pdf) _M. Scott Shell著_ +- [NumPy救急キット](http://mentat.za.net/numpy/numpy_advanced_slides/) _Stéfan van der Walt著_ +- [NumPyチュートリアル](https://numpy.org/numpy-tutorials)で、いくつかのチュートリアルと教育的資料を見ることができます。 このページのゴールは、NumPyプロジェクトによる質のいい資料を提供することです。 自習と講義形式の両方を想定しており、Jupyterノートブック形式で提供されます。 もしあなた自身の資料を追加することに興味がある場合、[Github上のnumpy-tutorialsリポジトリ](https://github.com/numpy/numpy-tutorials)をチェックしてみて下さい。 To submit your own content, visit the [numpy-tutorials repository on GitHub](https://github.com/numpy/numpy-tutorials). **チュートリアル** -* [Pythonデータサイエンスハンドブック](https://www.amazon.com/Python-Data-Science-Handbook-Essential/dp/1491912057) *Jake Vanderplas著* -* [Pythonデータ解析](https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython/dp/1491957662) *Wes McKinney著* -* [数値解析Python: NumPy, SciPy, Matplotlibによる数値計算とデータサイエンスアプリケーション](https://www.amazon.com/Numerical-Python-Scientific-Applications-Matplotlib/dp/1484242459) *Robert Johansson著* +- [Pythonデータサイエンスハンドブック](https://www.amazon.com/Python-Data-Science-Handbook-Essential/dp/1491912057) _Jake Vanderplas著_ +- [Pythonデータ解析](https://www.amazon.com/Python-Data-Analysis-Wrangling-IPython/dp/1491957662) _Wes McKinney著_ +- [数値解析Python: NumPy, SciPy, Matplotlibによる数値計算とデータサイエンスアプリケーション](https://www.amazon.com/Numerical-Python-Scientific-Applications-Matplotlib/dp/1484242459) _Robert Johansson著_ **書籍** -* [アドバンスドNumPy - ブロードキャストルール・ストライド・高度なインデックス指定](https://www.youtube.com/watch?v=cYugp9IN1-Q) *Fan Nunuz-Iglesias著* +- [アドバンスドNumPy - ブロードキャストルール・ストライド・高度なインデックス指定](https://www.youtube.com/watch?v=cYugp9IN1-Q) _Fan Nunuz-Iglesias著_ *** ## NumPyに関する講演 -* [NumPyにおけるインデックス指定の未来](https://www.youtube.com/watch?v=o0EacbIbf58) *Jaime Fernadezによる* (2016) -* [Pythonにおける配列計算の進化](https://www.youtube.com/watch?v=HVLPJnvInzM&t=10s) *Ralf Gommersによる* (2019) -* [NumPy: 今までどう変わってきて、今後どう変わっていくのか？ ](https://www.youtube.com/watch?v=YFLVQFjRmPY) *Matti Picusによる* (2019) -* [NumPyの内部](https://www.youtube.com/watch?v=dBTJD_FDVjU) *Ralf Gommers, Sebastian Berg, Matti Picus, Tyler Reddy, Stefan van der Walt, Charles Harrisによる* (2019) -* [Pythonにおける配列計算の概要](https://www.youtube.com/watch?v=f176j2g2eNc) *Travis Oliphantによる* (2019) +- [NumPyにおけるインデックス指定の未来](https://www.youtube.com/watch?v=o0EacbIbf58) _Jaime Fernadezによる_ (2016) +- [Pythonにおける配列計算の進化](https://www.youtube.com/watch?v=HVLPJnvInzM\&t=10s) _Ralf Gommersによる_ (2019) +- [NumPy: 今までどう変わってきて、今後どう変わっていくのか？ ](https://www.youtube.com/watch?v=YFLVQFjRmPY) _Matti Picusによる_ (2019) +- [NumPyの内部](https://www.youtube.com/watch?v=dBTJD_FDVjU) _Ralf Gommers, Sebastian Berg, Matti Picus, Tyler Reddy, Stefan van der Walt, Charles Harrisによる_ (2019) +- [Pythonにおける配列計算の概要](https://www.youtube.com/watch?v=f176j2g2eNc) _Travis Oliphantによる_ (2019) *** diff --git a/content/ja/news.md b/content/ja/news.md index 9621531110..293b18d861 100644 --- a/content/ja/news.md +++ b/content/ja/news.md @@ -1,139 +1,247 @@ --- title: ニュース sidebar: false -newsHeader: "NumPy 1.26.0 がリリースされました。" +newsHeader: NumPy 1.19.2 リリース date: 2023-09-16 --- +### NumPy 1.19.2 リリース + +_2019年12月22日_ -- NumPy 1.18.0 がリリースされました。 このリリースは、1.17.0での主要な変更の後の、まとめのようなリリースです。 Python 3.5 をサポートする最後のマイナーリリースになります。 今回のリリースでは、64ビットのBLASおよびLAPACKライブラリとリンクするためのインフラの追加や、`numpy.random`のための新しいC-APIの追加などが行われました。 In addition to the usual bug fixes and +updated Python support, it helps get NumPy back to its usual release +cycle after the extended development of 2.0. The highlights for this +release are: + +- Support for Python 3.13. +- 多くの期限切れの非推奨(Deprecation)の削除 +- Support for the array-api 2023.12 standard. + +Python versions 3.10-3.13 are supported by this release. + +### NumPy 1.26.0 がリリースされました。 + +_16 Jun, 2024_ -- NumPy 2.0.0 is the first major release since 2006. It is the +result of 11 months of development since the last feature release and is the +work of 212 contributors spread over 1078 pull requests. It contains a large +number of exciting new features as well as changes to both the Python and C +APIs. It includes breaking changes that could not happen in a regular minor +release - including an ABI break, changes to type promotion rules, and API +changes which may not have been emitting deprecation warnings in 1.26.x. Key +documents related to how to adapt to changes in NumPy 2.0 include: + +- The [NumPy 2.0 migration guide](https://numpy.org/devdocs/numpy_2_0_migration_guide.html) +- The [2.0.0 release notes](https://numpy.org/devdocs/release/2.0.0-notes.html) +- Announcement issue for status updates: [numpy#24300](https://github.com/numpy/numpy/issues/24300) + +The blog post ["NumPy 2.0: an evolutionary milestone"](https://blog.scientific-python.org/numpy/numpy2/) +tells a bit of the story about how this release came together. + +### NumPy 2.0 release date: June 16 + +_23 May, 2024_ -- We are excited to announce that NumPy 2.0 is planned to be +released on June 16, 2024. This release has been over a year in the making, and +is the first major release since 2006. Importantly, in addition to many new +features and performance improvement, it contains **breaking changes** to the +ABI as well as the Python and C APIs. 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`. **Please see the following for more details:** + +- The [NumPy 2.0 migration guide](https://numpy.org/devdocs/numpy_2_0_migration_guide.html) +- The [2.0.0 release notes](https://numpy.org/devdocs/release/2.0.0-notes.html) +- 多くの新しい非推奨(Deprecation)の追加 + +### NumFOCUS end of the year fundraiser + +_Dec 19, 2023_ -- NumFOCUS has teamed up with PyCharm during their EOY campaign to offer a 30% discount +on first-time PyCharm licenses. All year-one revenue from PyCharm purchases from now +until December 23rd, 2023 will go directly to the NumFOCUS programs. + +Use unique URL that will allow to track purchases https://lp.jetbrains.com/support-data-science/ +or a coupon code ISUPPORTDATASCIENCE  + ### NumPy 1.26.0 がリリースされました。 -_2023年9月16日_ -- [NumPy 1.26.0](https://numpy.org/doc/stable/release/1.26.0-notes.html)がリリースされました。 今回のリリースの目玉機能は次のとおりです。 +_2023年9月16日_ -- [NumPy 1.26.0](https://numpy.org/doc/stable/release/1.26.0-notes.html)がリリースされました。 今回のリリースの目玉機能は次のとおりです。 The highlights of the release are: -* Python 3.12.0 のサポート -* Cython 3.0.0 との互換性 -* Mesonビルドシステムの利用 -* SIMD サポートの改善 -* f2py のバグ修正, meson と bind(x) のサポート -* 更新された BLAS/LAPACK の高速化ライブラリのサポート +- Python 3.12.0 のサポート +- Cython 3.0.0 との互換性 +- Mesonビルドシステムの利用 +- SIMD サポートの改善 +- f2py のバグ修正, meson と bind(x) のサポート +- 更新された BLAS/LAPACK の高速化ライブラリのサポート Numpy 1.26.0 は 1.25 からの互換性を保持しています。Mesonビルドシステムへの移行とCython 3.0.0のサポートが目的のリリースです。 合計20人がこのリリースに貢献し、59個のプルリクエストがマージされました。 +A total of 20 people contributed to this release and 59 pull requests were +merged. このリリースでサポートされている Python のバージョンは3.9から 3.12 です。 ### numpy.orgが日本語とポルトガル語で利用可能になりました -_2023年4月2日_ -- numpy.orgが2つの言語で利用可能になりました： 日本語とポルトガル語。 熱心なボランティアがいなければ、このプロジェクトは不可能でした： +_2023年4月2日_ -- numpy.orgが2つの言語で利用可能になりました： 日本語とポルトガル語。 熱心なボランティアがいなければ、このプロジェクトは不可能でした： This wouldn’t be possible without our dedicated volunteers: _ポルトガル語_ -* Melissa Weber Mendonça (melissawm) -* Ricardo Prins (ricardoprins) -* Getúlio Silva (getuliosilva) -* Julio Batista Silva (jbsilva) -* Alexandre de Siqueira (alexdesiqueira) -* Alexandre B A Villares (villares) -* Vini Salazar (vinisalazar) + +- Melissa Weber Mendonça (melissawm) +- Ricardo Prins (ricardoprins) +- Getúlio Silva (getuliosilva) +- Julio Batista Silva (jbsilva) +- Alexandre de Siqueira (alexdesiqueira) +- Alexandre B A Villares (villares) +- Vini Salazar (vinisalazar) _日本語：_ -* 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) 翻訳インフラストラクチャに関するプロジェクトは、CZIからの資金援助でサポートされています。 -今後も、NumPyのウェブサイトをより多くの言語に翻訳したいと思っています。 もし手伝える場合は、Slack上のNumPy翻訳チームに連絡をお願います: https://join.slack.com/t/numpy-team/shared_invite/zt-1gokbq56s-bvEpo10Ef7aHbVtVFeZv2w. (#translation チャンネルを探してください) また、Scientific Pythonエコシステム全体のドキュメントや教育コンテンツのローカライズに取り組む翻訳チームも 立ち上げています。 このプロジェクトにも興味がある場合は、是非Scientific Python Discordに参加してください: https://discord.gg/khWtqY6RKr. (#translation チャンネルを探してください) +Looking ahead, we’d love to translate the website into more languages. +今後も、NumPyのウェブサイトをより多くの言語に翻訳したいと思っています。 もし手伝える場合は、Slack上のNumPy翻訳チームに連絡をお願います: https://join.slack.com/t/numpy-team/shared_invite/zt-1gokbq56s-bvEpo10Ef7aHbVtVFeZv2w. +(Look for the #translations channel.) (#translation チャンネルを探してください) また、Scientific Pythonエコシステム全体のドキュメントや教育コンテンツのローカライズに取り組む翻訳チームも 立ち上げています。 このプロジェクトにも興味がある場合は、是非Scientific Python Discordに参加してください: https://discord.gg/khWtqY6RKr. もし興味がある場合は、研究目標、プライバシー、および 守秘義務に関する追加情報が記載されている、この簡単な[参加者の興味](https://numfocus.typeform.com/to/WBWVJSqe)フォームに記入をお願いします。 多様で包括的なオープンソースソフトウェアコミュニティの 成長と持続可能性のために、このプロジェクトへのあなたの参加は非常に大きな価値があります。 参加を受け入れられた人は、研究チームメンバーと30分間のインタビューに参加することになります。 (#translation チャンネルを探してください) ### NumPy 1.25.0 リリース -_2023年1月17日_ -- [Numpy 1.25.0](https://numpy.org/doc/stable/release/1.25.0-notes.html) がリリースされました。 今回のリリースの目玉機能は次のとおりです。 +_2023年1月17日_ -- [Numpy 1.25.0](https://numpy.org/doc/stable/release/1.25.0-notes.html) がリリースされました。 今回のリリースの目玉機能は次のとおりです。 The highlights of the release are: -* MUSLのサポート。MUSLのWheelが準備されました。 -* 富士通のC/C++コンパイラサポート -* einsum でオブジェクト配列がサポートされるようになりました. -* 行列の置き換え(inplace)掛け算のサポート (`@=`). +- MUSLのサポート。MUSLのWheelが準備されました。 +- 富士通のC/C++コンパイラサポート +- einsum でオブジェクト配列がサポートされるようになりました. +- 行列の置き換え(inplace)掛け算のサポート (`@=`). -Numpy 1.25. リリースは引き続きdtypeの取り扱いと dtypeのプロモーションを改善し、実行速度を向上させ、 ドキュメントを明確化するための継続的な作業を続けて行く予定です。 将来の NumPy 2.0.0 に向けた準備作業も行われており、 多数の新規および期限切れの機能廃止が可能となってきています。 +The NumPy 1.25.0 release continues the ongoing work to improve the handling and +promotion of dtypes, increase the execution speed, and clarify the +documentation. There has also been preparatory work for the future NumPy 2.0.0, +resulting in a large number of new and expired deprecations. 合計148人がこのリリースに貢献し、530個のプルリクエストが マージされました。 -このリリースでサポートされている Python のバージョンは3.3.9 - 3.11 です。 +この助成金は、Numpy ドキュメントやウェブサイトの再設計などの改善に向けた取り組みを促進するために使用されます。 大規模かつ急速に拡大するユーザーの体験をより良くし、プロジェクトの長期的な持続可能性を確保するためのコミュニティ開発を行っていきます。 OpenBLASチームは、技術的に非常に重要な問題である、スレッド安全性、AVX-512に対処することに注力します。 また、スレッドローカルストレージ(TLS) の問題や、OpenBLASが依存するReLAPACK(再帰的なLAPACK) のアルゴリズムの改善も実施します。 ### インクルーシブな文化の育成: 参加の募集 _2023年5月10日_ -- インクルーシブ・カルチャーの育成: 参加募集 -NumPyプロジェクトの多様性とインクルージョンに関して、我々はどのようなことを実施すればいいでしょうか？ 興味がある方はこちらの [レポート](https://contributor-experience.org/docs/posts/dei-report/) を読んで参加する方法を確認してください。 +How can we be better when it comes to diversity and inclusion? +Read the report and find out how to get involved +[here](https://contributor-experience.org/docs/posts/dei-report/). ### NumPy ドキュメンテーションチームのリーダーの変更 -_2023年1月6日_ –- Mukulika PahariとRoss Barnowskiは、Melissa MendoncAudioに代わるNumPyドキュメンテーションチームの新しいリーダーとして任命されました。 私たちは、MelissaにNumPyの公式ドキュメントと教育資料に対するすべての貢献に感謝し、MukulikaとRossに新しい役割にステップアップしてもらったことに感謝します。 +_2023年1月6日_ –- Mukulika PahariとRoss Barnowskiは、Melissa MendoncAudioに代わるNumPyドキュメンテーションチームの新しいリーダーとして任命されました。 私たちは、MelissaにNumPyの公式ドキュメントと教育資料に対するすべての貢献に感謝し、MukulikaとRossに新しい役割にステップアップしてもらったことに感謝します。 We thank Melissa for all her +contributions to the NumPy official documentation and educational materials, +and Mukulika and Ross for stepping up. ### NumPy 1.24.0 リリース -_2022年12月18日_ -- [Numpy 1.24.0](https://numpy.org/doc/stable/release/1.24.0-notes.html) がリリースされました。 今回のリリースのハイライトは次のとおりです。 +_2022年12月18日_ -- [Numpy 1.24.0](https://numpy.org/doc/stable/release/1.24.0-notes.html) がリリースされました。 今回のリリースのハイライトは次のとおりです。 The highlights of the release are: -* スタッキング関数のための新しい"dtype"と"casting"キーワードの追加 -* F2PYの新機能追加とバグ修正 -* 多くの新しい非推奨(Deprecation)の追加 -* 多くの期限切れの非推奨(Deprecation)の削除 +- スタッキング関数のための新しい"dtype"と"casting"キーワードの追加 +- F2PYの新機能追加とバグ修正 +- Many new deprecations, check them out. +- Many expired deprecations, -Numpy 1.25. リリースは引き続きdtypeの取り扱いと dtypeのプロモーションを改善し、実行速度を向上させ、 ドキュメントを明確化するための継続的な作業を続けて行く予定です。 dtype のプロモーションとクリーンアップの変更により、多数の新規と期限切れの非推奨が存在しています。 今回のリリースは、444個のプルリクエストと177人のコントリビューターによるものです。 サポートされている Python のバージョンは 3.8-3.11 です。 +The NumPy 1.24.0 release continues the ongoing work to improve the handling and +promotion of dtypes, increase execution speed, and clarify the documentation. +There are a large number of new and expired deprecations due to changes in +dtype promotion and cleanups. It is the work of 177 contributors spread over +444 pull requests. The supported Python versions are 3.8-3.11. ### Numpy 1.23.0 リリース -_2022年1月22日_ -- [Numpy 1.23.0](https://numpy.org/doc/stable/release/1.23.0-notes.html) がリリースされました。 今回のリリースのハイライトは次のとおりです。 +_2021年12月31日_ -- [Numpy 1.22.0](https://numpy.org/doc/stable/release/1.22.0-notes.html) がリリースされました。 今回のリリースの目玉機能は次のとおりです。 The highlights of the release are: -* `loadtxt` がCで実装されたことによる、大幅なパフォーマンス向上 -* より簡単なデータ交換のためのPythonレベルでのDLPackの公開 -* 構造化されたdtypesのプロモーションと比較方法の変更 -* f2pyの改善 +- `loadtxt` がCで実装されたことによる、大幅なパフォーマンス向上 +- より簡単なデータ交換のためのPythonレベルでのDLPackの公開 +- 構造化されたdtypesのプロモーションと比較方法の変更 +- f2pyの改善 -Numpy 1.23. リリースでは引き続きdtypeの取り扱いと dtypeのプロモーションを改善し、実行速度を向上させ、 ドキュメントを明確化するための継続的な作業を続けて行く予定です。 今回のリリースは、494個のプルリクエストと151人のコントリビューターによるものです。 このリリースでサポートされている Python のバージョンは 3.8 - 3.10 です。 Python 3.11がrc ステージに到達すると Python 3.11 もサポートされます。 +リリースは引き続きdtypeの取り扱いと dtypeのプロモーションを改善し、実行速度を向上させ、 ドキュメントを明確化するための継続的な作業を続けて行く予定です。 将来の NumPy 2.0.0 に向けた準備作業も行われており、 多数の新規および期限切れの機能廃止が可能となってきています。 It is the work of 151 contributors spread over +494 pull requests. このプロジェクトは私たちのOSSプロジェクトのコミュニティダイナミクスを構造的に改善する方法を発見し、実施することを目指す野心的なプロジェクトです。 このような複数のプロジェクトの横断的な役割を確立することで、Scientific Pythonコミュニティに新しいコラボレーションモデルを導入し、エコシステム内のコミュニティ構築作業をより効率的に、より大きな成果を生めるようにしたいと考えています。 特にこのプロジェクトにより、歴史的にこれまで代表的ではなかったグループからの新しいコントリビュータを引き付け、貢献を維持するために、何がうまくいき、何がうまくいかないかを、より明確に把握できるようになると期待しています。 最後に、実施したアクションについて詳細な報告書を作成し、プロジェクトの代表者やコミュニティとの交流の面で、プロジェクトにどのような影響を与えたかを説明する予定です。 +リリースでは引き続きdtypeの取り扱いと dtypeのプロモーションを改善し、実行速度を向上させ、 ドキュメントを明確化するための継続的な作業を続けて行く予定です。 今回のリリースは、494個のプルリクエストと151人のコントリビューターによるものです。 このリリースでサポートされている Python のバージョンは 3.8 - 3.10 です。 Python 3.11がrc ステージに到達すると Python 3.11 もサポートされます。 ### NumFOCUS DEI研究への参加募集 -_2022年4月13日_ -- NumPyは、[NumFOCUS](http://numfocus.org/)と協力して、[ある研究プロジェクト](https://numfocus.org/diversity-inclusion-disc/a-pivotal-time-in-numfocuss-project-aimed-dei-efforts?eType=EmailBlastContent&eId=f41a86c3-60d4-4cf9-86cf-58eb49dc968c)を進めており、これは[Gordon & Betty Moore Foundation](https://www.moore.org/)によって資金提供されています。このプロジェクトでは、オープンソースソフトウェアコミュニティにおいて、特に歴史的に代表されてこなかったグループからの貢献者が参加する際の障壁を理解することを目的としています。 この研究チームは、新しい貢献者、プロジェクトの開発者およびメンテナー、そして過去に貢献した方々に、NumPyに参加し貢献した経験について話を聞きたいと考えています。 +_2022年4月13日_ -- NumPyは、[NumFOCUS](http://numfocus.org/)と協力して、[ある研究プロジェクト](https://numfocus.org/diversity-inclusion-disc/a-pivotal-time-in-numfocuss-project-aimed-dei-efforts?eType=EmailBlastContent\&eId=f41a86c3-60d4-4cf9-86cf-58eb49dc968c)を進めており、これは[Gordon & Betty Moore Foundation](https://www.moore.org/)によって資金提供されています。このプロジェクトでは、オープンソースソフトウェアコミュニティにおいて、特に歴史的に代表されてこなかったグループからの貢献者が参加する際の障壁を理解することを目的としています。 この研究チームは、新しい貢献者、プロジェクトの開発者およびメンテナー、そして過去に貢献した方々に、NumPyに参加し貢献した経験について話を聞きたいと考えています。 The research team would like to talk to new contributors, project +developers and maintainers, and those who have contributed in the past about +their experiences joining and contributing to NumPy. **あなたの経験を共有することに興味がありますか?** -もし興味がある場合は、研究目標、プライバシー、および 守秘義務に関する追加情報が記載されている、この簡単な[参加者の興味](https://numfocus.typeform.com/to/WBWVJSqe)フォームに記入をお願いします。 多様で包括的なオープンソースソフトウェアコミュニティの 成長と持続可能性のために、このプロジェクトへのあなたの参加は非常に大きな価値があります。 参加を受け入れられた人は、研究チームメンバーと30分間のインタビューに参加することになります。 - -### NumPy 1.19.2 リリース - -_2021年12月31日_ -- [Numpy 1.22.0](https://numpy.org/doc/stable/release/1.22.0-notes.html) がリリースされました。 今回のリリースの目玉機能は次のとおりです。 - -* メインの名前空間の型アノテーションは基本的に完了しました。 上流のコードは常に変化するものなので、さらなる改良が必要でしょうが、大きな作業は終わったと考えています。 これはおそらく、今回のリリースで最も目に見える改良でしょう。 -* 以前から提案されていた [array API 標準](https://data-apis.org/array-api/latest/) のベータ版が提供されています ( [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html) を参照) 。 これは、CuPy や JAX などのライブラリで使用できる 関数の標準的なコレクションを作成するために必要なステップです。 -* NumPy に DLPack バックエンドが追加されました。 DLPack は、配列(テンソル) データ用の共通のデータ変換フォーマットを提供します。 -* `quantile`, `percentile`, および関連する関数に新しいメソッドが追加されました。 これらの新しいメソッドは、論文で一般的に見られる一通りの処理を提供します。 -* ユニバーサル関数は、[NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html) の多くを実装するためにリファクタリングされました。 これにより将来の DType API の処理も可能にします。 -* ダウンストリームのプロジェクトで使用するための新しい設定可能なメモリー・アロケーターが追加されました。 - -NumPy 1.22.0は、153人の貢献者が609のプルリクエストを作成した 非常に大きなリリースです。 このリリースでサポートされている Python のバージョンは 3.8 - 3.10 です。 +Please complete this brief [“Participant Interest” form](https://numfocus.typeform.com/to/WBWVJSqe) +which contains additional information on the research goals, privacy, and +confidentiality considerations. Your participation will be valuable to the +growth and sustainability of diverse and inclusive open-source software +communities. Accepted participants will participate in a 30-minute interview +with a research team member. + +### Numpy 1.25. + +_2022年1月22日_ -- [Numpy 1.23.0](https://numpy.org/doc/stable/release/1.23.0-notes.html) がリリースされました。 今回のリリースのハイライトは次のとおりです。 The highlights of the release are: + +- Type annotations of the main namespace are essentially complete. Upstream is + a moving target, so there will likely be further improvements, but the major + work is done. This is probably the most user visible enhancement in this + release. +- 以前から提案されていた [array API 標準](https://data-apis.org/array-api/latest/) のベータ版が提供されています ( [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html) を参照) 。 これは、CuPy や JAX などのライブラリで使用できる 関数の標準的なコレクションを作成するために必要なステップです。 + This is a step in creating a standard collection of functions that can be + used across libraries such as CuPy and JAX. +- NumPy に DLPack バックエンドが追加されました。 DLPack は、配列(テンソル) データ用の共通のデータ変換フォーマットを提供します。 DLPack provides a common interchange format + for array (tensor) data. +- `quantile`, `percentile`, および関連する関数に新しいメソッドが追加されました。 これらの新しいメソッドは、論文で一般的に見られる一通りの処理を提供します。 The new + methods provide a complete set of the methods commonly found in the + literature. +- ユニバーサル関数は、[NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html) の多くを実装するためにリファクタリングされました。 これにより将来の DType API の処理も可能にします。 + This also unlocks the ability to experiment with the future DType API. +- ダウンストリームのプロジェクトで使用するための新しい設定可能なメモリー・アロケーターが追加されました。 + +NumPy 1.22.0は、153人の貢献者が609のプルリクエストを作成した 非常に大きなリリースです。 このリリースでサポートされている Python のバージョンは 3.8 - 3.10 です。 このリリースでサポートされている Python のバージョンは3.3.9 - 3.11 です。 ### 科学的なPythonエコシステムにおける包括的な文化の前進 _ 2021年8月31日_ -- この度、Chan Zuckerberg Initiativeより、科学的なPythonプロジェクトにおいて、歴史的に疎外されてきたグループの人々のオンボーディング、インクルージョン、リテンションを支援し、NumPy、SciPy、Matplotlib、Pandasのコミュニティダイナミクスを構造的に改善するための [ 助成金を授与されました ](https://chanzuckerberg.com/newsroom/czi-awards-16-million-for-foundational-open-source-software-tools-essential-to-biomedicine/) ことをお知らせします。 -[ CZIのEssential Open Source Software for Scienceプログラム ](https://chanzuckerberg.com/eoss/)の一環として、この[ Diversity & Inclusion補助金 ](https://cziscience.medium.com/advancing-diversity-and-inclusion-in-scientific-open-source-eaabe6a5488b)は、開けたなオープンソースコミュニティを育成するためにやるべきことを特定したり、文書化したり、実施したりするためのコントリビュータ体験のリーダー専任職の創設を支援することになります。 このプロジェクトは、Melissa Mendonça (NumPy) が中心となって、下記の方々の追加のメンタリングとサポートにより実施されます。Ralf Gommers (NumPy、SciPy)、Hannah AizenmanとThomas Caswell (Matplotlib)、Matt Haberland (SciPy)、そして Joris Van den Bossche (Pandas)。 - -このプロジェクトは私たちのOSSプロジェクトのコミュニティダイナミクスを構造的に改善する方法を発見し、実施することを目指す野心的なプロジェクトです。 このような複数のプロジェクトの横断的な役割を確立することで、Scientific Pythonコミュニティに新しいコラボレーションモデルを導入し、エコシステム内のコミュニティ構築作業をより効率的に、より大きな成果を生めるようにしたいと考えています。 特にこのプロジェクトにより、歴史的にこれまで代表的ではなかったグループからの新しいコントリビュータを引き付け、貢献を維持するために、何がうまくいき、何がうまくいかないかを、より明確に把握できるようになると期待しています。 最後に、実施したアクションについて詳細な報告書を作成し、プロジェクトの代表者やコミュニティとの交流の面で、プロジェクトにどのような影響を与えたかを説明する予定です。 - -2021年11月から2年間のプロジェクトが始まると予想されており、このプロジェクトの成果を楽しみにしています! このプロジェクトの提案書に関しては、[こちら](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063) から全文を読むことができます. +[ CZIのEssential Open Source Software for Scienceプログラム ](https://chanzuckerberg.com/eoss/)の一環として、この[ Diversity & Inclusion補助金 ](https://cziscience.medium.com/advancing-diversity-and-inclusion-in-scientific-open-source-eaabe6a5488b)は、開けたなオープンソースコミュニティを育成するためにやるべきことを特定したり、文書化したり、実施したりするためのコントリビュータ体験のリーダー専任職の創設を支援することになります。 このプロジェクトは、Melissa Mendonça (NumPy) が中心となって、下記の方々の追加のメンタリングとサポートにより実施されます。Ralf Gommers (NumPy、SciPy)、Hannah AizenmanとThomas Caswell (Matplotlib)、Matt Haberland (SciPy)、そして Joris Van den Bossche (Pandas)。 This project will be led by Melissa Mendonça (NumPy), with +additional mentorship and guidance provided by Ralf Gommers (NumPy, SciPy), +Hannah Aizenman and Thomas Caswell (Matplotlib), Matt Haberland (SciPy), and +Joris Van den Bossche (Pandas). + +This is an ambitious project aiming to discover and implement activities that +should structurally improve the community dynamics of our projects. By +establishing these new cross-project roles, we hope to introduce a new +collaboration model to the Scientific Python communities, allowing +community-building work within the ecosystem to be done more efficiently and +with greater outcomes. We also expect to develop a clearer picture of what +works and what doesn't in our projects to engage and retain new contributors, +especially from historically underrepresented groups. Finally, we plan on +producing detailed reports on the actions executed, explaining how they have +impacted our projects in terms of representation and interaction with our +communities. + +2021年11月から2年間のプロジェクトが始まると予想されており、このプロジェクトの成果を楽しみにしています! +このプロジェクトの提案書に関しては、[こちら](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063) から全文を読むことができます. ### 2021年度NumPyアンケート -_2021年7月12日_ -- NumPy ではコミュニティの力を信じています。 昨年の第1回アンケートには、75カ国から1,236名のNumPyユーザーが参加してくれました。 この調査結果により、今後12ヶ月間、私たちがどのようなことに集中すべきかを、非常に良く理解することができました。 +_July 12, 2021_ -- At NumPy, we believe in the power of our community. 1,236 +NumPy users from 75 countries participated in our inaugural survey last year. +The survey findings gave us a very good understanding of what we should focus +on for the next 12 months. -今年もアンケートの時間が来ました。もう一度アンケートへの回答をお願いいたします。 アンケートへの回答は15分ほどで終了します。 アンケートは英語以外にも、ベンガル語、フランス語、ヒンディー語、日本語、マンダリン、ポルトガル語、ロシア語、スペイン語の8ヶ国語に対応しています。 +It’s time for another survey, and we are counting on you once again. It will +take about 15 minutes of your time. Besides English, the survey questionnaire +is available in 8 additional languages: Bangla, French, Hindi, Japanese, +Mandarin, Portuguese, Russian, and Spanish. こちらのリンク先から、アンケートを始めることができます: https://berkeley.qualtrics.com/jfe/form/SV_aaOONjgcBXDSL4q. +### Numpy 1.25. -### NumPy 1.19.0 リリース - -_2021年1月23日_ -- [Numpy 1.21.0](https://numpy.org/doc/stable/release/1.21.0-notes.html) がリリースされました。 今回のリリースのハイライトは下記の通りです。 +_2021年1月23日_ -- [Numpy 1.21.0](https://numpy.org/doc/stable/release/1.21.0-notes.html) がリリースされました。 今回のリリースのハイライトは下記の通りです。 The highlights of the release are: - より多くの機能やプラットフォームをカバーするためのSIMD関連の改善が実施されました。 - dtypeのための新しいインフラとキャストの準備 @@ -142,90 +250,117 @@ _2021年1月23日_ -- [Numpy 1.21.0](https://numpy.org/doc/stable/release/1.21.0 - アノテーションの改善 - 乱数生成用の新しい `PCG64DXSM` ビット生成機 -今回のNumpy リリースは、175人による581件のプルリクエストのマージの結果です。 このリリースでサポートされている Python のバージョンは 3.7-3.9 です。Python 3.10 がリリースされた後、Python 3.10 のサポートが追加されます。 - +This NumPy release is the result of 581 merged pull requests contributed by 175 +people. 今回のNumpy リリースは、175人による581件のプルリクエストのマージの結果です。 このリリースでサポートされている Python のバージョンは 3.7-3.9 です。Python 3.10 がリリースされた後、Python 3.10 のサポートが追加されます。 ### 2020年度 NumPy アンケート結果 -_2021年6月22日_ -- NumPyの調査チームは、2020年に ミシガン大学とメリーランド大学の学生や教員と協力して、最初の公式NumPyコミュニティ調査を実施しました。 アンケートの結果はこちらから確認できます。 https://numpy.org/user-survey-2020/ +_2021年6月22日_ -- NumPyの調査チームは、2020年に ミシガン大学とメリーランド大学の学生や教員と協力して、最初の公式NumPyコミュニティ調査を実施しました。 アンケートの結果はこちらから確認できます。 https://numpy.org/user-survey-2020/ 今年もアンケートの時間が来ました。もう一度アンケートへの回答をお願いいたします。 アンケートへの回答は15分ほどで終了します。 アンケートは英語以外にも、ベンガル語、フランス語、ヒンディー語、日本語、マンダリン、ポルトガル語、ロシア語、スペイン語の8ヶ国語に対応しています。 +### NumPy 1.20.0 リリース -### NumPy 1.18.0 リリース +_Jan 30, 2021_ -- [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) +is now available. This is the largest NumPy release to date, thanks to 180+ +contributors. The two most exciting new features are: -_2021年1月30日_ -- [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) がリリースされました。 今回のリリースは180 人以上のコントリビューターのおかげで、これまでで最大の NumPyのリリースとなりました。 最も重要な2つの新機能は次のとおりです。 - NumPyの大部分のコードに型注釈が追加されました。 そして新しいサブモジュールである`numpy.typing`が追加されました。 このサブモジュールは`ArrayLike` や`DtypeLike`という型注釈のエイリアスが定義されており、これによりユーザーやダウンストリームのライブラリはこの型注釈を使うことができます。 -- X86(SSE、AVX)、ARM64(Neon)、およびPowerPC (VSX) 命令をサポートするマルチプラットフォームSIMDコンパイラの最適化が実施されました。 これにより、多くの関数で大きく パフォーマンスが向上しました (例: [sin/cos](https://github.com/numpy/numpy/pull/17587), [einsum](https://github.com/numpy/numpy/pull/18194)). +- X86(SSE、AVX)、ARM64(Neon)、およびPowerPC (VSX) 命令をサポートするマルチプラットフォームSIMDコンパイラの最適化が実施されました。 これにより、多くの関数で大きく パフォーマンスが向上しました (例: [sin/cos](https://github.com/numpy/numpy/pull/17587), [einsum](https://github.com/numpy/numpy/pull/18194)). This yielded significant + performance improvements for many functions (examples: + [sin/cos](https://github.com/numpy/numpy/pull/17587), + [einsum](https://github.com/numpy/numpy/pull/18194)). ### NumPyプロジェクトの多様性 _2020年9月20日に_ 、私たちは[ NumPyプロジェクトにおけるダイバーシティやインクルージョンの状況や、ソーシャルメディア上での議論についての宣言 ](/diversity_sep2020)について書きました。 - ### Natureに初の公式NumPy論文が掲載されました! -_2020年9月16日_ -- NumPyに関する [ 最初の公式の論文 ](https://www.nature.com/articles/s41586-020-2649-2)がNatureに査読付き論文として掲載されました。 これはNumPy 1.0のリリースから14年後のことになりました。 この論文では、配列プログラミングのアプリケーションと基本的なコンセプト、NumPyの上に構築された様々な科学的Pythonエコシステム、そしてCuPy、Dask、JAXのような外部の配列およびテンソルライブラリとの相互運用を容易にするために最近追加された配列プロトコルについて説明しています。 - +提案されたイニシアチブとその成果の詳細については、 [フルグラントプロポーザル](https://figshare.com/articles/Proposal_NumPy_OpenBLAS_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/10302167) を参照してください。 この取り組みは2019年12月1日から始まり、今後12ヶ月間継続実施される予定です。 This comes 14 years after the release of NumPy 1.0. +The paper covers applications and fundamental concepts of array programming, +the rich scientific Python ecosystem built on top of NumPy, and the recently added +array protocols to facilitate interoperability with external array and tensor +libraries like CuPy, Dask, and JAX. ### Python 3.9のリリースに伴い、いつNumPyのバイナリwheelがリリースされるのですか？ -_2020年9月14日_ -- Python 3.9 は数週間後にリリースされる予定です。 もしあなたが新しいPythonのバージョンをいち早く利用している場合、NumPy（およびSciPyのような他のパッケージ）がリリース当日にバイナリwheelを用意していないことを知ってがっかりしたかもしれませんね。 ビルド用のインフラを新しいPythonのバージョンに適応させるのは非常に大変な作業で、PyPIやconda-forgeにパッケージが掲載されるまでには通常数週間かかります。 今後のwheelのリリースに備えて、以下を確認してください。 +_2020年9月10日_ -- [NumPy 19.2.0](https://numpy.org/devdocs/release/1.19.2-notes.html) がリリースされました。 この 1.19 シリーズの最新リリースでは、いくつかのバグが修正され、[ 来るべき Cython 3.xリリース ](http:/docs.cython.orgenlatestsrcchanges.html)への準備が行われ、アップストリームの修正が進行中の間も distutils の動作を維持するためのsetuptoolsのバージョンの固定が実施されています。 aarch64 wheelは最新のmanylinux2014リリースでビルドされており、異なるLinuxディストリビューションで使用される異なるページサイズの問題が修正されています。 If you are an +early adopter of Python versions, you may be dissapointed to find that NumPy +(and other binary packages like SciPy) will not have binary wheels ready on the +day of the release. _2020年9月14日_ -- Python 3.9 は数週間後にリリースされる予定です。 もしあなたが新しいPythonのバージョンをいち早く利用している場合、NumPy（およびSciPyのような他のパッケージ）がリリース当日にバイナリwheelを用意していないことを知ってがっかりしたかもしれませんね。 ビルド用のインフラを新しいPythonのバージョンに適応させるのは非常に大変な作業で、PyPIやconda-forgeにパッケージが掲載されるまでには通常数週間かかります。 今後のwheelのリリースに備えて、以下を確認してください。 In preparation for this event, please make sure to + - `pip` が`manylinux2010` と `manylinux2014` をサポートするためにpipを少なくともバージョン 20.1 に更新する。 - [`--only-binary=numpy`](https://pip.pypa.io/en/stable/reference/pip_install/#cmdoption-only-binary) または `--only-binary=:all:` を`pip`がソースからビルドしようとするのを防ぐために使用します。 +### Numpy 1.18.0 リリース -### NumPy 1.19.2 リリース - -_2020年9月10日_ -- [NumPy 19.2.0](https://numpy.org/devdocs/release/1.19.2-notes.html) がリリースされました。 この 1.19 シリーズの最新リリースでは、いくつかのバグが修正され、[ 来るべき Cython 3.xリリース ](http:/docs.cython.orgenlatestsrcchanges.html)への準備が行われ、アップストリームの修正が進行中の間も distutils の動作を維持するためのsetuptoolsのバージョンの固定が実施されています。 aarch64 wheelは最新のmanylinux2014リリースでビルドされており、異なるLinuxディストリビューションで使用される異なるページサイズの問題が修正されています。 +edu/jfe/form/SV_8bJrXjbhXf7saAl) に協力してもらえると助かります。 +メインの名前空間の型アノテーションは基本的に完了しました。 上流のコードは常に変化するものなので、さらなる改良が必要でしょうが、大きな作業は終わったと考えています。 これはおそらく、今回のリリースで最も目に見える改良でしょう。 +The aarch64 wheels are built with the latest manylinux2014 release that fixes +the problem of differing page sizes used by different linux distros. ### 初めてのNumPyの調査が公開されました!! -_2020年7月2日_ -- このアンケート調査は、NumPyにおける、ソフトウェアとしてとコミュニティの両方における意思決定の指針となり、優先順位を決定する役に立ちました。 この調査結果は英語以外のこれらの8つの言語で利用可能です: バングラ, ヒンディー語, 日本語, マンダリン, ポルトガル語, ロシア語, スペイン語とフランス語. - -NumPy をより良くするために、こちらの [アンケート](https://umdsurvey. umd. edu/jfe/form/SV_8bJrXjbhXf7saAl) に協力してもらえると助かります。 +_Jul 2, 2020_ -- This survey is meant to guide and set priorities for +decision-making about the development of NumPy as software and as a community. +The survey is available in 8 additional languages besides English: +Bangla, Hindi, Japanese, Mandarin, Portuguese, Russian, Spanish and French. +NumPy をより良くするために、こちらの [アンケート](https://umdsurvey. ### NumPy に新しいロゴができました! _2020年6月24日_ -- NumPyのロゴが新しくなりました: -NumPyのロゴ - -新しいロゴは、古いロゴに比べて、モダンでよりクリーンなデザインになりました。 新しいロゴをデザインしてくれたIsabela Presedo-Floydと、15年以上にわたって使用してきた旧ロゴをデザインしてくれたTravis Vaughtに感謝します。 + +The logo is a modern take on the old one, with a cleaner design. 新しいロゴは、古いロゴに比べて、モダンでよりクリーンなデザインになりました。 新しいロゴをデザインしてくれたIsabela Presedo-Floydと、15年以上にわたって使用してきた旧ロゴをデザインしてくれたTravis Vaughtに感謝します。 -### NumPy 1.20.0 リリース - -_2020年6月20日_ -- NumPy 1.19.0 がリリースされました。 このバージョンは Python 2系のサポートがない最初のリリースであり、"クリーンアップ用のリリース" です。 サポートされている一番古いPython のバージョンは Python 3.6 になりました。 また、今回の重要な新機能はNumPy 1.17.0で導入された乱数生成用のインフラにCythonからアクセスできるようになったことです。 +### NumPy 1.19.0 リリース +_Jun 20, 2020_ -- NumPy 1.19.0 is now available. This is the first release +without Python 2 support, hence it was a "clean-up release". The minimum +supported Python version is now Python 3.6. An important new feature is that +the random number generation infrastructure that was introduced in NumPy 1.17.0 +is now accessible from Cython. ### ドキュメント受諾期間 -_2020年5月11日_ -- NumPyは、 Googleのシーズンオブドキュメントプログラムのメンター団体の1つとして選ばれました。 NumPy のドキュメントを改善するために、テクニカルライターと協力するこの機会を楽しみにしています! 詳細については、 [シーズンオブドキュメント公式サイト](https://developers.google.com/season-of-docs/) と [アイデアページ](https://github.com/numpy/numpy/wiki/Google-Season-of-Docs-2020-Project-Ideas) をご覧ください。 +_2020年5月11日_ -- NumPyは、 Googleのシーズンオブドキュメントプログラムのメンター団体の1つとして選ばれました。 NumPy のドキュメントを改善するために、テクニカルライターと協力するこの機会を楽しみにしています! We are excited about the opportunity to +work with a technical writer to improve NumPy's documentation once again! 詳細については、 [シーズンオブドキュメント公式サイト](https://developers.google.com/season-of-docs/) と [アイデアページ](https://github.com/numpy/numpy/wiki/Google-Season-of-Docs-2020-Project-Ideas) をご覧ください。 +### NumPy 1.18.0 リリース -### Numpy 1.18.0 リリース - -_2019年12月22日_ -- NumPy 1.18.0 がリリースされました。 このリリースは、1.17.0での主要な変更の後の、まとめのようなリリースです。 Python 3.5 をサポートする最後のマイナーリリースになります。 今回のリリースでは、64ビットのBLASおよびLAPACKライブラリとリンクするためのインフラの追加や、`numpy.random`のための新しいC-APIの追加などが行われました。 +umd. After the major changes in +1.17.0, this is a consolidation release. リリースは引き続きdtypeの取り扱いと dtypeのプロモーションを改善し、実行速度を向上させ、 ドキュメントを明確化するための継続的な作業を続けて行く予定です。 dtype のプロモーションとクリーンアップの変更により、多数の新規と期限切れの非推奨が存在しています。 今回のリリースは、444個のプルリクエストと177人のコントリビューターによるものです。 サポートされている Python のバージョンは 3.8-3.11 です。 Highlights of the release includes the addition of basic +infrastructure for linking with 64-bit BLAS and LAPACK libraries, and a new C-API for `numpy.random`. 詳細については、 [リリースノート](https://github.com/numpy/numpy/releases/tag/v1.18.0) を参照してください。 - ### NumPyはChan Zuckerberg財団から助成金を受けました。 _2019年11月15日_ -- NumPyと、NumPyの重要な依存ライブラリの1つであるOpenBLASが、Chan Zuckerberg財団の[Essential Open Source Software for Scienceプログラム](https:/chanzuckerberg.comeoss)を通じて、科学に不可欠なオープンソースツールのソフトウェアのメンテナンス、成長、開発、コミュニティへの参加などを支援する195,000ドルの共同助成金を獲得したことを発表しました。 -この助成金は、Numpy ドキュメントやウェブサイトの再設計などの改善に向けた取り組みを促進するために使用されます。 大規模かつ急速に拡大するユーザーの体験をより良くし、プロジェクトの長期的な持続可能性を確保するためのコミュニティ開発を行っていきます。 OpenBLASチームは、技術的に非常に重要な問題である、スレッド安全性、AVX-512に対処することに注力します。 また、スレッドローカルストレージ(TLS) の問題や、OpenBLASが依存するReLAPACK(再帰的なLAPACK) のアルゴリズムの改善も実施します。 - -提案されたイニシアチブとその成果の詳細については、 [フルグラントプロポーザル](https://figshare.com/articles/Proposal_NumPy_OpenBLAS_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/10302167) を参照してください。 この取り組みは2019年12月1日から始まり、今後12ヶ月間継続実施される予定です。 +This grant will be used to ramp up the efforts in improving NumPy documentation, website redesign, and community development to better serve our large and rapidly growing user base, and ensure the long-term sustainability of the project. While the OpenBLAS team will focus on addressing sets of key technical issues, in particular thread-safety, AVX-512, and thread-local storage (TLS) issues, as well as algorithmic improvements in ReLAPACK (Recursive LAPACK) on which OpenBLAS depends. +More details on our proposed initiatives and deliverables can be found in the [full grant proposal](https://figshare.com/articles/Proposal_NumPy_OpenBLAS_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/10302167). The work is scheduled to start on Dec 1st, 2019 and continue for the next 12 months. ## 過去のリリース -こちらは、より以前のNumPyリリースのリストで、各リリースノートへのリンクが記載されています。 全てのバグフィックスリリース(バージョン番号`x.y.z` の`z`だけが変更されたもの)は新しい機能追加はされず、マイナーリリース (`y` が増えたもの)は、新しい機能追加されています。 - +Here is a list of NumPy releases, with links to release notes. こちらは、より以前のNumPyリリースのリストで、各リリースノートへのリンクが記載されています。 全てのバグフィックスリリース(バージョン番号`x.y.z` の`z`だけが変更されたもの)は新しい機能追加はされず、マイナーリリース (`y` が増えたもの)は、新しい機能追加されています。 +- _2020年6月20日_ -- NumPy 1.19.0 がリリースされました。 このバージョンは Python 2系のサポートがない最初のリリースであり、"クリーンアップ用のリリース" です。 サポートされている一番古いPython のバージョンは Python 3.6 になりました。 また、今回の重要な新機能はNumPy 1.17.0で導入された乱数生成用のインフラにCythonからアクセスできるようになったことです。 +- _2020年7月2日_ -- このアンケート調査は、NumPyにおける、ソフトウェアとしてとコミュニティの両方における意思決定の指針となり、優先順位を決定する役に立ちました。 この調査結果は英語以外のこれらの8つの言語で利用可能です: バングラ, ヒンディー語, 日本語, マンダリン, ポルトガル語, ロシア語, スペイン語とフランス語. +- _2021年1月30日_ -- [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) がリリースされました。 今回のリリースは180 人以上のコントリビューターのおかげで、これまでで最大の NumPyのリリースとなりました。 最も重要な2つの新機能は次のとおりです。 +- NumPyプロジェクトの多様性とインクルージョンに関して、我々はどのようなことを実施すればいいでしょうか？ 興味がある方はこちらの [レポート](https://contributor-experience.org/docs/posts/dei-report/) を読んで参加する方法を確認してください。 +- _2020年9月16日_ -- NumPyに関する [ 最初の公式の論文 ](https://www.nature.com/articles/s41586-020-2649-2)がNatureに査読付き論文として掲載されました。 これはNumPy 1.0のリリースから14年後のことになりました。 この論文では、配列プログラミングのアプリケーションと基本的なコンセプト、NumPyの上に構築された様々な科学的Pythonエコシステム、そしてCuPy、Dask、JAXのような外部の配列およびテンソルライブラリとの相互運用を容易にするために最近追加された配列プロトコルについて説明しています。 +- NumPy 1.21.6 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.21.6)) -- _2022年4月12日_. +- _2021年7月12日_ -- NumPy ではコミュニティの力を信じています。 昨年の第1回アンケートには、75カ国から1,236名のNumPyユーザーが参加してくれました。 この調査結果により、今後12ヶ月間、私たちがどのようなことに集中すべきかを、非常に良く理解することができました。 - NumPy 1.26.2 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.26.2)) -- _2023年11月12日_. - NumPy 1.26.1 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.26.1)) -- _2023年10月14日_. - NumPy 1.26.0 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.26.0)) -- _2023年9月16日_. @@ -244,7 +379,7 @@ _2019年11月15日_ -- NumPyと、NumPyの重要な依存ライブラリの1つ - NumPy 1.23.1 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.23.1)) -- _2022年7月8日_. - NumPy 1.23.0 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.23.0)) -- _2022年6月22日_. - NumPy 1.22.4 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.22.4)) -- _2022年5月20日_. -- NumPy 1.21.6 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.21.6)) -- _2022年4月12日_. +- Numpy 1.23. - NumPy 1.22.3 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.18.2)) -- _2022年3月7日_. - NumPy 1.22.2 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.22.2)) -- _2022年2月3日_. - NumPy 1.22.1 ([リリースノート](https://github.com/numpy/numpy/releases/tag/v1.22.1)) -- _2022年1月14日_. diff --git a/content/ja/press-kit.md b/content/ja/press-kit.md index 6d28214989..39f88f2388 100644 --- a/content/ja/press-kit.md +++ b/content/ja/press-kit.md @@ -5,4 +5,4 @@ sidebar: false 私たちはユーザーの皆さんが次に書く学術論文や、コース教材、プレゼンテーションなどに、NumPyプロジェクトのロゴを簡単に盛り込めるようにしたいと考えています。 -こちらから、様々な解像度のNumPyロゴのファイルをダウンロードできます: [ロゴリンク](https://github.com/numpy/numpy/tree/main/branding/logo)。 numpy.orgのリソースを使用することで、[NumPy行動規範](/code-of-conduct) を受け入れたことになることに注意してください。 +こちらから、様々な解像度のNumPyロゴのファイルをダウンロードできます: [ロゴリンク](https://github.com/numpy/numpy/tree/main/branding/logo)。 numpy.orgのリソースを使用することで、[NumPy行動規範](/code-of-conduct) を受け入れたことになることに注意してください。 Note that by using the numpy.org resources, you accept the [NumPy Code of Conduct](/code-of-conduct). diff --git a/content/ja/privacy.md b/content/ja/privacy.md index 8cd76d43e4..2d4d2fba91 100644 --- a/content/ja/privacy.md +++ b/content/ja/privacy.md @@ -3,6 +3,6 @@ title: プライバシーポリシー sidebar: false --- -**numpy.org** は、NumPyプロジェクトの資金援助のスポンサーでもある、[NumFOCUS, Inc.](https://numfocus.org)によって運営されています。 このウェブサイトのプライバシーポリシーについては、https://numfocus.org/privacy-policy を参照してください。 +**numpy.org** は、NumPyプロジェクトの資金援助のスポンサーでもある、[NumFOCUS, Inc.](https://numfocus.org)によって運営されています。 このウェブサイトのプライバシーポリシーについては、https://numfocus.org/privacy-policy を参照してください。 For the Privacy Policy of this website please refer to https://numfocus.org/privacy-policy. ポリシーまたはNumFOCUSのデータ収集、使用、および開示方法についてご質問がある場合は、privacy@numfocus.orgのNumFOCUSスタッフにお問い合わせください。 diff --git a/content/ja/report-handling-manual.md b/content/ja/report-handling-manual.md index b200124145..62363d58cb 100644 --- a/content/ja/report-handling-manual.md +++ b/content/ja/report-handling-manual.md @@ -3,93 +3,87 @@ title: NumPy行動規範 - 報告書のフォローアップ方法 sidebar: false --- -NumPyの行動規範委員会はこのマニュアルに従います。 このマニュアルは様々な問題に対応する際に使用され、一貫性と公平性を確保します。 +NumPyの行動規範委員会はこのマニュアルに従います。 このマニュアルは様々な問題に対応する際に使用され、一貫性と公平性を確保します。 It’s used when we respond to an issue to make sure we’re consistent and fair. -[行動規範](/ja/code-of-conduct) を施行することは、私たちのコミュニティの現在のため、未来のために重要です。 この施行は、軽いものではありません。 施行の基準を見直す際、行動規範委員会は以下の考え方とガイドラインに留意するようにします。 +Enforcing the [Code of Conduct](/code-of-conduct) impacts our community today and for the future. It’s an action that we do not take lightly. When reviewing enforcement measures, the Code of Conduct Committee will keep the following values and guidelines in mind: -* 機械的ではなく、人間的に行動します。 委員会は、当事者のプライバシーと報告者の必要なだけの機密性を尊重しながら、状況を理解するように働きかけることができます. ただし、1人以上の個人と直接連絡を取る必要がある場合もあります。 委員会の目標は正しい決定を下すのではなく、コミュニティの健康を改善することなのです。 -* 行動を判断するのではなく、個人への共感を強調し、「良い」と「悪い」の二値評価を避けます。 明確な攻撃性とハラスメントが存在した場合、私たちはそれらに対処します。 しかし、解決が困難なシナリオの多くは、通常の意見の相違が、複数の当事者による無益または有害な行動に発展した場合です。 完全に文脈を理解し、すべてを再び元に戻す道を見つけることは困難ですが、コミュニティにとって最終的に最も有益な方法です。 -* 私たちは、電子メールが判断に困難な媒体であり、独立して利用できることを理解しています。 個人の情報なしに電子メール上で批判を受けることは、特に苦痛である場合もあります。 そこで、他者の見解に対して、開放的で、敬意を持った雰囲気を保つことが重要になります。 それはまた、私たちの行動が透明でなければならないことを意味します。 全てのメンバーが公平かつ同情をもって扱われるようにするため、私たちは全力を尽くします。 -* 差別の境界は時に曖昧で、また無意識に行われている場合もあります。 これにより、普通の人との関わりの中で、不公平感や敵意として現れてくるのです。 私達は、このようなことが起こることはわかっているので、気をつけて見ていきたいと思います。 不当な扱いを受けたと思われる方は、ぜひご連絡ください。 -* 良い議論を実践することで、エンゲージメントの向上に取り組みます。例えば議論がどこで止まっているのかを特定したり、 実践的な情報、指針、資源を提供することで、これらの問題を前向きな方向に変えていきます。 -* 新しいメンバーが何を必要としているかに留意します。 特に社会的地位の低いグループからの参加を増やすことを目的に、明確なサポートと配慮を提供していきます。 -* 一人一人の文化的背景や母国語は異なります。 ネイティブでない人が起こした悪気のない誤解を確認し、問題を理解してもらい、不快感を与えないために何を変えればよいかを教えてあげてください。 外国語での複雑な議論はとても難しいものであり、国籍や文化を超えて多様性を育てていきたいと考えています。 +- Act in a personal manner rather than impersonal. The Committee can engage the parties to understand the situation while respecting the privacy and any necessary confidentiality of reporters. ただし、1人以上の個人と直接連絡を取る必要がある場合もあります。 委員会の目標は正しい決定を下すのではなく、コミュニティの健康を改善することなのです。 +- Emphasize empathy for individuals rather than judging behavior, avoiding binary labels of “good” and “bad/evil”. Overt, clear-cut aggression and harassment exist, and we will address them firmly. But many scenarios that can prove challenging to resolve are those where normal disagreements devolve into unhelpful or harmful behavior from multiple parties. Understanding the full context and finding a path that re-engages all is hard, but ultimately the most productive for our community. +- We understand that email is a difficult medium and can be isolating. Receiving criticism over email, without personal contact, can be particularly painful. This makes it especially important to keep an atmosphere of open-minded respect for the views of others. It also means that we must be transparent in our actions, and that we will do everything in our power to make sure that all our members are treated fairly and with sympathy. +- Discrimination can be subtle and it can be unconscious. It can show itself as unfairness and hostility in otherwise ordinary interactions. We know that this does occur, and we will take care to look out for it. We would very much like to hear from you if you feel you have been treated unfairly, and we will use these procedures to make sure that your complaint is heard and addressed. +- Help increase engagement in good discussion practice: try to identify where discussion may have broken down, and provide actionable information, pointers, and resources that can lead to positive change on these points. +- 新しいメンバーが何を必要としているかに留意します。 特に社会的地位の低いグループからの参加を増やすことを目的に、明確なサポートと配慮を提供していきます。 +- Individuals come from different cultural backgrounds and native languages. Try to identify any honest misunderstandings caused by a non-native speaker and help them understand the issue and what they can change to avoid causing offence. Complex discussion in a foreign language can be very intimidating, and we want to grow our diversity also across nationalities and cultures. +## Mediation -## 仲介 +Voluntary informal mediation is a tool at our disposal. In contexts such as when two or more parties have all escalated to the point of inappropriate behavior (something sadly common in human conflict), it may be useful to facilitate a mediation process. This is only an example: the Committee can consider mediation in any case, mindful that the process is meant to be strictly voluntary and no party can be pressured to participate. If the Committee suggests mediation, it should: -自主的な非公式の調停は、私たちの重要な役割です。 2つのグループ以上の当事者が不適切な行動をエスカレートした場合(人類の紛争では悲しいことに一般的なものですが)、調停プロセスを促進するは非常に重要です。 ちなみに、これは一例に過ぎません。委員会は、どのようなケースでも調停を検討することができますが、このプロセスはあくまでも自発的なものであり、当事者に参加を迫ることはできないことを念頭に置いて下さい。 委員会が調停を提案する場合は、次のようにすべきです。 - -* 調停者として役立つ候補者を見つけます。 -* 報告者の合意を取得します。 報告者は、調停のアイデアを拒否したり、代替の調停者を提案する権利を持ちます。 -* 報告者の同意を取得します。 -* 調停人を決定します。当事者は、提案された候補者とは別の調停人を提案することができます。すべての条件で共通の合意に達した場合のみ、プロセスを進めることができます。 -* 調停が完了するまでのタイムラインを設定し、理想的には2週間以内に完了させます。 - -調停者は、すべての当事者と関わり、すべての人に満足のいく決議を求めていきます。 終了後、調停人は（プロセスの全当事者によって吟味された）報告書を委員会に提出し、今後のステップに関する推奨事項を提示します。 委員会は、これらの結果(満足のいく決議が達成されたか否か) を評価し、必要と判断される追加的な措置を決定します。 +- Find a candidate who can serve as a mediator. +- Obtain the agreement of the reporter(s). The reporter(s) have complete freedom to decline the mediation idea or to propose an alternate mediator. +- Obtain the agreement of the reported person(s). +- Settle on the mediator: while parties can propose a different mediator than the suggested candidate, only if a common agreement is reached on all terms can the process move forward. +- Establish a timeline for mediation to complete, ideally within two weeks. +The mediator will engage with all the parties and seek a resolution that is satisfactory to all. Upon completion, the mediator will provide a report (vetted by all parties to the process) to the Committee, with recommendations on further steps. The Committee will then evaluate these results (whether a satisfactory resolution was achieved or not) and decide on any additional action deemed necessary. ## 報告に対する委員会の対応 -委員会(または委員) が行動規範違反報告を受けた時、その報告が明確で深刻な違反であるかどうかは判断されます(以下に違反項目を定義します)。 違反判定された場合は、通常のレポート処理プロセスに加えて、即時の対応が必要になります。 - +When the Committee (or a Committee member) receives a report, they will first determine whether the report is about a clear and severe breach (as defined below). If so, immediate action needs to be taken in addition to the regular report handling process. ## 明確かつ深刻な違反行為の解決 -私たちは、インターネットでの会話が簡単にひどい誹謗中傷になってしまうことを、痛いほど知っています。 個人的な脅迫、暴力的、性差別的、人種差別的な言葉など、明らかで深刻な違反に対しては、迅速に対処します。 +We know that it is painfully common for internet communication to start at or devolve into obvious and flagrant abuse. We will deal quickly with clear and severe breaches like personal threats, violent, sexist or racist language. 行動規範委員会のメンバーは、明確かつ深刻な違反に気づいた場合、以下のように行動します。 -* 直ちにすべてのNumPyのオンラインコミュニティから違反者を排除します。 -* 報告が受信され、違反者が排除されたことを報告者に連絡します。 -* どのような場合でも、モデレーターは違反者に連絡するための合理的な努力を行い、違反者の言葉や行動がどのように「明確かつ重大な違反」に該当するのかを具体的に伝えるべきです。 モデレーターは、違反者がこれは不当だと思う場合、あるいはNumPyチャンネルとの再接続を望む場合には、行動規範委員会による以下のような審査を求める権利があることも述べるべきです。 モデレータは、この説明を行動規範委員会に転送する必要があります。 -* 行動規範委員会は、このプロセスが適用されたすべてのケースを正式にレビューし署名することで、よくある盛り上がりすぎた論争を諫めるためこのプロセスが使用されたのでないことを確認します。 - +- Immediately disconnect the originator from all NumPy communication channels. +- Reply to the reporter that their report has been received and that the originator has been disconnected. +- In every case, the moderator should make a reasonable effort to contact the originator, and tell them specifically how their language or actions qualify as a “clear and severe breach”. The moderator should also say that, if the originator believes this is unfair or they want to be reconnected to NumPy, they have the right to ask for a review, as below, by the Code of Conduct Committee. The moderator should copy this explanation to the Code of Conduct Committee. +- The Code of Conduct Committee will formally review and sign off on all cases where this mechanism has been applied to make sure it is not being used to control ordinary heated disagreement. ## 報告の処理 -報告が委員会に送られると、直ちに報告者に返信して報告を受領したことを確認します。 この返信は72時間以内に送信される必要があり、委員会はそれよりもはるかに迅速に対応するよう努める必要があります。 +When a report is sent to the Committee they will immediately reply to the reporter to confirm receipt. This reply must be sent within 72 hours, and the group should strive to respond much quicker than that. -レポートに十分な情報が含まれていない場合、委員会は行動する前に、関連するすべてのデータを取得するようにします。 委員会は、事件の状況を全て知るために関係する個人に連絡する際に、運営協議会に代わって行動する権限を与えられています。 +レポートに十分な情報が含まれていない場合、委員会は行動する前に、関連するすべてのデータを取得するようにします。 委員会は、事件の状況を全て知るために関係する個人に連絡する際に、運営協議会に代わって行動する権限を与えられています。 The Committee is empowered to act on the Steering Council’s behalf in contacting any individuals involved to get a more complete account of events. -その後、委員会は今回の問題を見直し、効果を最大限に発揮する対策を決定します。 +The Committee will then review the incident and determine, to the best of their ability: -* 問題の種類 -* 今回の事情が行動規範違反であるかどうか。 -* 責任者が誰であるか -* これが進行中の状況であるか、誰の物理的安全に脅威があるかどうか。 +- What happened. +- 今回の事情が行動規範違反であるかどうか。 +- 責任者が誰であるか +- これが進行中の状況であるか、誰の物理的安全に脅威があるかどうか。 これらの情報は書面で収集され、可能な限りグループの審議が記録され、保持されます (例えば、チャットの記録、Eメールのディスカッション、会議通話の記録、音声会話の概要など)。 -行動の一貫性を確保し、プロジェクトのために記録を残すために、委員会のすべての活動のアーカイブを保持することが重要です。 この活動支援するために、委員会のデフォルトの議論チャネルは、正当化された要求に応じて、委員会の現在および将来のメンバー、および運営委員会のメンバーがアクセスできるプライベートメーリングリストにします。 委員会がリストにはない連絡方法を使用する必要がある場合(例: 早期/迅速な対応を求める電話など)、そのプロセスの良い記録となるように、これらをリストにまとめて戻すべきです。 - -行動規範委員会は、2週間以内に決議の合意を目指すべきです。 その期間内に決議が確定できない場合。 委員会は、レポーターに対して現状の更新と今後のタイムラインを連絡します。 +It is important to retain an archive of all activities of this Committee to ensure consistency in behavior and provide institutional memory for the project. To assist in this, the default channel of discussion for this Committee will be a private mailing list accessible to current and future members of the Committee as well as members of the Steering Council upon justified request. If the Committee finds the need to use off-list communications (e.g. phone calls for early/rapid response), it should in all cases summarize these back to the list so there’s a good record of the process. +The Code of Conduct Committee should aim to have a resolution agreed upon within two weeks. In the event that a resolution can’t be determined in that time, the Committee will respond to the reporter(s) with an update and projected timeline for resolution. ## 解決方法 -委員会は、合意により決議について決定しなければなりません。 検討グループが一週間以上、合意かデッドロックに達しなかった場合、グループは、ステアリング評議会にこの問題を引き渡すことができます。 +The Committee must agree on a resolution by consensus. 委員会は、合意により決議について決定しなければなりません。 検討グループが一週間以上、合意かデッドロックに達しなかった場合、グループは、ステアリング評議会にこの問題を引き渡すことができます。 ありうる返答は次のとおりです: -* これ以上アクションを取らない。 - - 違反が起きていないと判断された - - 検討中に問題が明らかに解決された -* 調停の調整。すべての関係者が合意した場合、委員会は上記のように調停プロセスを促進することができます。 -* 公の場における説明。 どの行動・言動・言語が不適切で、現在の状況がなぜか引き起こされ、人々を傷つけたのかを説明し、コミュニティに自省を要求します。 -* 委員会から関係者(複数可) への非公開処分の実施。 この場合、委員会は、電子メールを介して、グループにccを入れながら、対象者に問題の指摘を連絡します。 -* 公の場での指摘。 この場合、委員会の議長は、違反が発生したのと同じ場所で、実用性の範囲内で叱責を行います。 例えば、メールルールの違反の元のメーリングリストなどです。しかし、人や状況がかわるかもしれないチャットルームなどの場合、他の手段を利用する可能性もあります。 文書化のため、この問題のメッセージを他の場所で公開することを対策グループが選択する場合もあります。 -* 報告者がこの考えに同意することを前提とした、公的または私的な謝罪の要求。 報告者は自分の裁量で、違反者とのさらなる接触を拒否することもできます。 委員会がこの要求をお届けします。 委員会は、必要に応じてこの要求に「条件」を付けることができます。例えば、メーリングリストの会員資格を維持するために、違反者に謝罪を求めることができます。 -* 「相互に合意した休止」の要求。 これは、委員会から個人への、コミュニティへの参加を一時的に控えるような要請です。 対象者が自発的に一時的な休みを取らないことを選択した場合、委員会は「冷却期限」を準備することがあります。 -* これは、一部またはすべてのNumPyオンラインコミュニティ (メーリングリスト、gitter.im など) からの永続的または一時的な出入り禁止。 将来的に禁止が見直されるのか、維持されるか決定できるよう、対策グループは出入り禁止の記録を全て保持します。 +- これ以上アクションを取らない。 + - if we determine no violations have occurred; + - if the matter has been resolved publicly while the Committee was considering responses. +- Coordinating voluntary mediation: if all involved parties agree, the Committee may facilitate a mediation process as detailed above. +- 公の場における説明。 どの行動・言動・言語が不適切で、現在の状況がなぜか引き起こされ、人々を傷つけたのかを説明し、コミュニティに自省を要求します。 +- A private reprimand from the Committee to the individual(s) involved. In this case, the group chair will deliver that reprimand to the individual(s) over email, cc’ing the group. +- A public reprimand. In this case, the Committee chair will deliver that reprimand in the same venue that the violation occurred, within the limits of practicality. E.g., the original mailing list for an email violation, but for a chat room discussion where the person/context may be gone, they can be reached by other means. The group may choose to publish this message elsewhere for documentation purposes. +- A request for a public or private apology, assuming the reporter agrees to this idea: they may at their discretion refuse further contact with the violator. The chair will deliver this request. The Committee may, if it chooses, attach “strings” to this request: for example, the group may ask a violator to apologize in order to retain one’s membership on a mailing list. +- A “mutually agreed upon hiatus” where the Committee asks the individual to temporarily refrain from community participation. 「相互に合意した休止」の要求。 これは、委員会から個人への、コミュニティへの参加を一時的に控えるような要請です。 対象者が自発的に一時的な休みを取らないことを選択した場合、委員会は「冷却期限」を準備することがあります。 +- A permanent or temporary ban from some or all NumPy spaces (mailing lists, gitter.im, etc.). The group will maintain records of all such bans so that they may be reviewed in the future or otherwise maintained. -決議が合意されると制定される前に、委員会は、元の報告者およびその他の影響を受けた当事者に連絡し、提案された決議を説明します。 委員会は、この決議が受け入れられるかどうかを尋ねます。 そして、記録のためのフィードバックに注意を払います。 +Once a resolution is agreed upon, but before it is enacted, the Committee will contact the original reporter and any other affected parties and explain the proposed resolution. The Committee will ask if this resolution is acceptable, and must note feedback for the record. 最後に 委員会は、NumPy Steering Councilに報告を行います(NumPy Coreチームにも、出入り禁止など進行中の出来事については報告します)。 委員会はこの問題について公に議論することはありません。 すべての公開声明は、行動規範委員会またはNumPy Steering Councilの議長によって行われます。 - ## 利益相反 -利益相反が発生した場合、委員会メンバーは直ちに他のメンバーに通知し、必要に応じて対応を辞退しなければなりません。 +In the event of any conflict of interest, a Committee member must immediately notify the other members, and recuse themselves if necessary. diff --git a/content/ja/tabcontents.yaml b/content/ja/tabcontents.yaml index e6089c674a..90b528afb1 100644 --- a/content/ja/tabcontents.yaml +++ b/content/ja/tabcontents.yaml @@ -1,238 +1,314 @@ params: machinelearning: paras: - - para1: NumPyは、[scikit-learn](https://scikit-learn.org)や[SciPy](https://www.scipy.org)のような強力な機械学習ライブラリの基礎を形成しています。機械学習の技術分野が成長するにつれ、NumPyをベースにしたライブラリの数も増えています。[TensorFlow](https://www.tensorflow.org)の深層学習機能は、音声認識や画像認識、テキストベースのアプリケーション、時系列分析、動画検出など、幅広い応用用途があります。[PyTorch](https://pytorch.org)も、コンピュータビジョンや自然言語処理の研究者に人気のある深層学習ライブラリです。[MXNet](https://github.com/apache/incubator-mxnet)もAIパッケージの一つで、深層学習の設計図やテンプレート機能を提供しています。 + - + para1: NumPyは、[scikit-learn](https://scikit-learn.org)や[SciPy](https://www.scipy.org)のような強力な機械学習ライブラリの基礎を形成しています。機械学習の技術分野が成長するにつれ、NumPyをベースにしたライブラリの数も増えています。[TensorFlow](https://www.tensorflow.org)の深層学習機能は、音声認識や画像認識、テキストベースのアプリケーション、時系列分析、動画検出など、幅広い応用用途があります。[PyTorch](https://pytorch.org)も、コンピュータビジョンや自然言語処理の研究者に人気のある深層学習ライブラリです。[MXNet](https://github.com/apache/incubator-mxnet)もAIパッケージの一つで、深層学習の設計図やテンプレート機能を提供しています。 para2: '[ensemble](https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205)法と呼ばれる統計的手法であるビンニング、バギング、スタッキングや、[XGBoost](https://github.com/dmlc/xgboost)、[LightGBM](https://lightgbm.readthedocs.io/en/latest/)、[CatBoost](https://catboost.ai)などのツールで実装されているブースティングなどは、機械学習アルゴリズムの一つであり、最速の推論エンジンの一つです。[Yellowbrick](https://www.scikit-yb.org/en/latest/)や[Eli5](https://eli5.readthedocs.io/en/latest/)は機械学習の可視化機能を提供しています。' arraylibraries: intro: - - text: NumPyのAPIは、革新的なハードウェアを利用したり、特殊な配列タイプを作成したり、NumPyが提供する以上の機能を追加するためにライブラリを作成する際の基礎となります。 + - + text: NumPyのAPIは、革新的なハードウェアを利用したり、特殊な配列タイプを作成したり、NumPyが提供する以上の機能を追加するためにライブラリを作成する際の基礎となります。 headers: - - text: 配列ライブラリ - - text: 機能と応用分野 + - + text: 配列ライブラリ + - + text: 機能と応用分野 libraries: - - title: Dask + - + title: Dask text: 分析用の分散配列と高度な並列処理により、大規模な処理を可能にします。 img: /images/content_images/arlib/dask.png alttext: Dask url: https://dask.org/ - - title: CuPy + - + title: CuPy text: Python を使用した GPUによる高速計算用のNumPy互換配列ライブラリ img: /images/content_images/arlib/cupy.png alttext: CuPy url: https://cupy.chainer.org - - title: JAX + - + title: JAX text: "NumPyコードの合成可能な変換ライブラリ: 微分、ベクトル化、GPU/TPUへのジャストインタイムコンパイル" img: /images/content_images/arlib/jax_logo_250px.png alttext: JAX url: https://github.com/google/jax - - title: Xarray + - + title: Xarray text: 高度な分析と視覚化のためのラベルとインデックス付き多次元配列 img: /images/content_images/arlib/xarray.png alttext: xarray url: https://xarray.pydata.org/en/stable/index.html - - title: Sparse + - + title: Sparse text: Dask と SciPy の疎行列の線形代数ライブラリを統合した、Numpy 互換の疎行列ライブラリ img: /images/content_images/arlib/sparse.png alttext: sparse url: https://sparse.pydata.org/en/latest/ - - title: PyTorch + - + title: PyTorch text: 研究用のプロトタイピングから本番運用への展開を加速させる、深層学習フレームワーク img: /images/content_images/arlib/pytorch-logo-dark.svg alttext: PyTorch url: https://pytorch.org/ - - title: TensorFlow + - + title: TensorFlow text: 機械学習を利用したアプリケーションを簡単に構築・展開するための、エンド・ツー・エンドの機械学習プラットフォーム img: /images/content_images/arlib/tensorflow-logo.svg alttext: TensorFlow url: https://www.tensorflow.org - - title: MXNet + - + title: MXNet text: 柔軟や研究用のプロトタイピングから、実際の運用まで利用可能な深層学習フレームワーク img: /images/content_images/arlib/mxnet_logo.png alttext: MXNet url: https://mxnet.apache.org/ - - title: Arrow + - + title: Arrow text: 列型のインメモリーデータやその分析のための、複数の言語に対応した開発プラットフォーム img: /images/content_images/arlib/arrow.png alttext: arrow url: https://github.com/apache/arrow - - title: xtensor + - + title: xtensor text: 数値解析のためのブロードキャスティングと遅延計算を備えた多次元配列 img: /images/content_images/arlib/xtensor.png alttext: xtensor url: https://github.com/xtensor-stack/xtensor-python - - title: Awkward + - + title: Awkward text: Numpy のような イディオムを使って JSON のようなデータを操作するライブラリ img: /images/content_images/arlib/xnd.png alttext: awkward url: https://awkward-array.org/ - - title: uarray + - + title: uarray text: APIを実装から切り離すPythonバックエンドシステム (unumpyはNumPy APIを提供しています) img: /images/content_images/arlib/uarray.png alttext: uarray url: https://uarray.org/en/latest/ - - title: tensorly - text: Numpy、MXNet、PyTorch、TensorFlowまたはCupyをシームレスに使用するための、テンソル学習、テンソル代数、およびそれらのテンソル計算のためのバックエンド - img: /images/content_images/arlib/tensorly.png - alttext: tensorly - url: http://tensorly.org/stable/home.html scientificdomains: intro: - - text: Pythonを使って働くほとんどの科学者はNumPyの力を利用しています。 - - text: "Numpy は、 C や Fortran のような言語の計算パフォーマンスを、Pythonにもたらします。 このパワーはNumPyのシンプルさから来ており、NumPyによるソリューションの多くは明確でエレガントになります。" + - + text: Pythonを使って働くほとんどの科学者はNumPyの力を利用しています。 + - + text: "Numpy は、 C や Fortran のような言語の計算パフォーマンスを、Pythonにもたらします。 このパワーはNumPyのシンプルさから来ており、NumPyによるソリューションの多くは明確でエレガントになります。" libraries: - - title: 量子コンピューティング + - + title: 量子コンピューティング alttext: コンピューターチップ img: /images/content_images/sc_dom_img/quantum_computing.svg links: - - url: http://qutip.org + - + url: http://qutip.org label: QuTiP - - url: https://pyquil-docs.rigetti.com/en/stable + - + url: https://pyquil-docs.rigetti.com/en/stable label: PyQuil - - url: https://qiskit.org + - + url: https://qiskit.org label: Qiskit - - url: https://pennylane.ai + - + url: https://pennylane.ai label: PennyLane - - title: 統計コンピューティング + - + title: 統計コンピューティング alttext: 線グラフで、グラフが上に移動します。 img: /images/content_images/sc_dom_img/statistical_computing.svg links: - - url: https://pandas.pydata.org/ + - + url: https://pandas.pydata.org/ label: Pandas - - url: https://www.statsmodels.org/ + - + url: https://www.statsmodels.org/ label: statsmodels - - url: https://xarray.pydata.org/en/stable/ + - + url: https://xarray.pydata.org/en/stable/ label: Xarray - - url: https://seaborn.pydata.org/ + - + url: https://seaborn.pydata.org/ label: Seaborn - - title: 信号処理 + - + title: 信号処理 alttext: 正と負の値を持つ棒グラフ。 img: /images/content_images/sc_dom_img/signal_processing.svg links: - - url: https://www.scipy.org/ + - + url: https://www.scipy.org/ label: SciPy - - url: https://pywavelets.readthedocs.io/ + - + url: https://pywavelets.readthedocs.io/ label: PyWavelets - - url: https://python-control.org/ + - + url: https://python-control.org/ label: python-control - - url: https://hyperspy.org/ + - + url: https://hyperspy.org/ label: HiperSpy - - title: 画像処理 + - + title: 画像処理 alttext: 山々の写真 img: /images/content_images/sc_dom_img/image_processing.svg links: - - url: https://scikit-image.org/ + - + url: https://scikit-image.org/ label: Scikit-image - - url: https://opencv.org/ + - + url: https://opencv.org/ label: OpenCV - - url: https://mahotas.rtfd.io/ + - + url: https://mahotas.rtfd.io/ label: Mahotas - - title: グラフとネットワーク + - + title: グラフとネットワーク alttext: シンプルなグラフ img: /images/content_images/sc_dom_img/sd6.svg links: - - url: https://networkx.org/ + - + url: https://networkx.org/ label: NetworkX - - url: https://graph-tool.skewed.de/ + - + url: https://graph-tool.skewed.de/ label: graph-tool - - url: https://igraph.org/python/ + - + url: https://igraph.org/python/ label: igraph - - url: https://pygsp.rtfd.io/ + - + url: https://pygsp.rtfd.io/ label: PyGSP - - title: 天文学 + - + title: 天文学 alttext: 望遠鏡 img: /images/content_images/sc_dom_img/astronomy_processes.svg links: - - url: https://www.astropy.org/ + - + url: https://www.astropy.org/ label: AstroPy - - url: https://sunpy.org/ + - + url: https://sunpy.org/ label: SunPy - - url: https://spacepy.github.io/ + - + url: https://spacepy.github.io/ label: SpacePy - - title: 認知心理学 + - + title: 認知心理学 alttext: ギアをつけた人間の頭部 img: /images/content_images/sc_dom_img/cognitive_psychology.svg links: - - url: https://www.psychopy.org/ + - + url: https://www.psychopy.org/ label: PsychoPy - - title: 生命情報科学 + - + title: 生命情報科学 alttext: DNAの鎖 img: /images/content_images/sc_dom_img/bioinformatics.svg links: - - url: https://biopython.org/ + - + url: https://biopython.org/ label: BioPython - - url: http://scikit-bio.org/ + - + url: http://scikit-bio.org/ label: Scikit-Bio - - url: https://github.com/openvax/pyensembl + - + url: https://github.com/openvax/pyensembl label: PyEnsembl - - url: http://etetoolkit.org/ + - + url: http://etetoolkit.org/ label: ETE - - title: ベイズ推論 + - + title: ベイズ推論 alttext: 鐘形の曲線のグラフ img: /images/content_images/sc_dom_img/bayesian_inference.svg links: - - url: https://pystan.readthedocs.io/en/latest/ + - + url: https://pystan.readthedocs.io/en/latest/ label: PyStan - - url: https://docs.pymc.io/ + - + url: https://docs.pymc.io/ label: PyMC3 - - url: https://arviz-devs.github.io/arviz/ + - + url: https://arviz-devs.github.io/arviz/ label: ArviZ - - url: https://emcee.readthedocs.io/ + - + url: https://emcee.readthedocs.io/ label: emcee - - title: 数学的分析 + - + title: 数学的分析 alttext: ４つの数学記号 img: /images/content_images/sc_dom_img/mathematical_analysis.svg links: - - url: https://www.scipy.org/ + - + url: https://www.scipy.org/ label: SciPy - - url: https://www.sympy.org/ + - + url: https://www.sympy.org/ label: SymPy - - url: https://www.cvxpy.org/ + - + url: https://www.cvxpy.org/ label: cvxpy - - url: https://fenicsproject.org/ + - + url: https://fenicsproject.org/ label: FEniCS - - title: 化学 + - + title: 化学 alttext: 試験管 img: /images/content_images/sc_dom_img/chemistry.svg links: - - url: https://cantera.org/ + - + url: https://cantera.org/ label: Cantera - - url: https://www.mdanalysis.org/ + - + url: https://www.mdanalysis.org/ label: MDAnalysis - - url: https://github.com/rdkit/rdkit + - + url: https://github.com/rdkit/rdkit label: RDKit - - url: https://www.pybamm.org/ + - + url: https://www.pybamm.org/ label: PyBaMM - - title: 地球科学 + - + title: 地球科学 alttext: 地球 img: /images/content_images/sc_dom_img/geoscience.svg links: - - url: https://pangeo.io/ + - + url: https://pangeo.io/ label: Pangeo - - url: https://simpeg.xyz/ + - + url: https://simpeg.xyz/ label: Simpeg - - url: https://github.com/obspy/obspy/wiki + - + url: https://github.com/obspy/obspy/wiki label: ObsPy - - url: https://www.fatiando.org/ + - + url: https://www.fatiando.org/ label: Fatiando a Terra - - title: 地理情報処理 + - + title: 地理情報処理 alttext: 地図 img: /images/content_images/sc_dom_img/GIS.svg links: - - url: https://shapely.readthedocs.io/ + - + url: https://shapely.readthedocs.io/ label: Shapely - - url: https://geopandas.org/ + - + url: https://geopandas.org/ label: GeoPandas - - url: https://python-visualization.github.io/folium + - + url: https://python-visualization.github.io/folium label: Folium - - title: アーキテクチャとエンジニアリング + - + title: アーキテクチャとエンジニアリング alttext: マイクロプロセッサ開発ボード img: /images/content_images/sc_dom_img/robotics.svg links: - - url: https://compas.dev/ + - + url: https://compas.dev/ label: COMPAS - - url: https://cityenergyanalyst.com/ + - + url: https://cityenergyanalyst.com/ label: City Energy Analyst - Analista de Energía de Ciudad - - url: https://nortikin.github.io/sverchok/ + - + url: https://nortikin.github.io/sverchok/ label: Sverchok datascience: intro: "Numpy は豊富なデータサイエンスライブラリのエコシステムの中核にあります。一般的なデータサイエンスのワークフローは次のようになります。" diff --git a/content/ja/teams/index.md b/content/ja/teams/index.md index f7bd323039..de4b2dc53e 100644 --- a/content/ja/teams/index.md +++ b/content/ja/teams/index.md @@ -4,6 +4,7 @@ sidebar: false --- 私たちは、高品質のオープンソースソフトウェアを構築することで、世界中の科学・研究コミュニティをサポートすることを使命とする国際的なチームです。 是非[参加してください](/contribute)! +[Join us](/contribute)! ### Maintainers @@ -29,6 +30,6 @@ sidebar: false {{< grid file="emeritus-maintainers.toml" columns="2 3 4 5" />}} -# ガバナンス +# Governance For the list of people on the Steering Council, please see [here](https://numpy.org/devdocs/dev/governance/people.html). diff --git a/content/ja/user-survey-2020.md b/content/ja/user-survey-2020.md index b79cc13ed8..46e47e5073 100644 --- a/content/ja/user-survey-2020.md +++ b/content/ja/user-survey-2020.md @@ -3,7 +3,12 @@ title: 2020年 NumPyコミュニティ調査 sidebar: false --- -2020年に、NumPyの調査チームは、ミシガン大学とメリーランド大学が共同で開催した、調査方法学の修士コースの学生と教員と共同で、初めて公式のNumPyコミュニティ調査を実施しました。 75カ国から1,200人以上のNumPyユーザーが参加してくれました。NumPyコミュニティの全体像を描き、プロジェクトの未来像についての意見を述べてもらいました。 +In 2020, the NumPy survey team in partnership with students and faculty from a +Master’s course in Survey Methodology jointly hosted by the University of +Michigan and the University of Maryland conducted the first official NumPy +community survey. Over 1,200 users from 75 countries participated to help us +map out a landscape of the NumPy community and voiced their thoughts about the +future of the project. {{< figure >}} src = '/surveys/NumPy_usersurvey_2020_report_cover.png' @@ -13,8 +18,6 @@ width = '250' 調査結果を詳細を知りたい場合は、**[こちらのレポート](/surveys/NumPy_usersurvey_2020_report.pdf)** をダウンロードしてください。 - 結果の概要については、 **[こちらの図](https://github.com/numpy/numpy-surveys/blob/master/images/2020NumPysurveyresults_community_infographic.pdf)** をチェックしてください。 -より詳細が知りたくなりましたか？ **https://numpy.org/user-survey-2020-details/** をご覧ください。 - +Ready for a deep dive? より詳細が知りたくなりましたか？ **https://numpy.org/user-survey-2020-details/** をご覧ください。 diff --git a/content/ja/user-surveys.md b/content/ja/user-surveys.md index 7be9979c3a..bc952ab2a9 100644 --- a/content/ja/user-surveys.md +++ b/content/ja/user-surveys.md @@ -1,10 +1,10 @@ --- -title: NumPyユーザアンケート +title: NUMPY USER SURVEYS sidebar: false --- -**2020** NumPY調査チームは、ミシガン大学とメリーランド大学の学生や教員と協力して、最初の公式NumPyコミュニティ調査を実施しました。 アンケートの結果は[こちら](https://numpy.org/user-survey-2020/)をご覧ください。 +**2020** NumPY調査チームは、ミシガン大学とメリーランド大学の学生や教員と協力して、最初の公式NumPyコミュニティ調査を実施しました。 アンケートの結果は[こちら](https://numpy.org/user-survey-2020/)をご覧ください。 Find the survey results [here](https://numpy.org/user-survey-2020/). **2021** 収集された調査データは現在解析中です。 -過去または今後のNumPyユーザ調査に関する質問や提案がある場合は、[こちら](https://github.com/numpy/numpy-surveys/issues)にイシューを作成してください。 +過去または今後のNumPyユーザ調査に関する質問や提案がある場合は、[こちら](https://github.com/numpy/numpy-surveys/issues)にイシューを作成してください。 diff --git a/content/pt/404.md b/content/pt/404.md index 627cde96d0..ac3a516791 100644 --- a/content/pt/404.md +++ b/content/pt/404.md @@ -5,4 +5,4 @@ sidebar: false Oops! Você atingiu um beco sem saída. -Se você acha que algo deveria estar aqui, você pode [abrir uma issue](https://github.com/numpy/numpy.org/issues) no GitHub. +Se você acha que algo deveria estar aqui, você pode [abrir uma issue](https://github.com/numpy/numpy.org/issues) no GitHub. diff --git a/content/pt/_index.md b/content/pt/_index.md index 0a39687659..deb9baacd4 100644 --- a/content/pt/_index.md +++ b/content/pt/_index.md @@ -1,5 +1,5 @@ --- -title: +title: null --- {{< grid columns="1 2 2 3" >}} @@ -18,6 +18,13 @@ body = ''' O NumPy oferece um conjunto completo de funções matemáticas, geradores de números aleatórios, rotinas de álgebra linear, transformadas de Fourier, e mais. ''' +[[item]] +type = 'card' +title = 'Código aberto' +body = ''' +Distribuido com uma [licença BSD](https://github.com/numpy/numpy/blob/main/LICENSE.txt) liberal, o NumPy é desenvolvido e mantido [publicamente no GitHub](https://github.com/numpy/numpy) por uma [comunidade](/pt/community) vibrante, responsiva, e diversa. +''' + [[item]] type = 'card' title = 'Interoperabilidade' @@ -29,7 +36,7 @@ O NumPy suporta um grande número de plataformas de hardware e computação, e p type = 'card' title = 'Alto desempenho' body = ''' -O núcleo do NumPy é feito de código otimizado em C. Experimente a flexibilidade do Python com a velocidade de código compilado. +O núcleo do NumPy é feito de código otimizado em C. Experimente a flexibilidade do Python com a velocidade de código compilado. Enjoy the flexibility of Python with the speed of compiled code. ''' [[item]] @@ -38,12 +45,6 @@ title = 'Fácil de usar' body = ''' A sintaxe de alto nível do NumPy torna-o acessível e produtivo para programadores de qualquer nível de experiência e formação. ''' - -[[item]] -type = 'card' -title = 'Código aberto' -body = ''' -Distribuido com uma [licença BSD](https://github.com/numpy/numpy/blob/main/LICENSE.txt) liberal, o NumPy é desenvolvido e mantido [publicamente no GitHub](https://github.com/numpy/numpy) por uma [comunidade](/pt/community) vibrante, responsiva, e diversa. ''' {{< /grid >}} diff --git a/content/pt/about.md b/content/pt/about.md index 8461f68e0e..9b0796be05 100644 --- a/content/pt/about.md +++ b/content/pt/about.md @@ -7,10 +7,9 @@ NumPy é um projeto de código aberto que visa possibilitar a computação numé O NumPy é desenvolvido no GitHub, através do consenso da comunidade NumPy e de uma comunidade mais ampla de Python científico. Para obter mais informações sobre nossa abordagem de governança, por favor, consulte nosso [Documento de Governança](https://www.numpy.org/devdocs/dev/governance/index.html). - ## Conselho Diretor (Steering Council) -O papel do Conselho Diretor do NumPy consiste em assegurar o bem-estar a longo prazo do projeto, tanto nos aspectos técnicos quanto na comunidade. Isso é feito através do trabalho com e para a comunidade NumPy em geral. O Conselho Diretor do NumPy atualmente consiste dos seguintes membros (em ordem alfabética, pelo sobrenome): +The NumPy Steering Council is the project's governing body. O papel do Conselho Diretor do NumPy consiste em assegurar o bem-estar a longo prazo do projeto, tanto nos aspectos técnicos quanto na comunidade. O Conselho Diretor do NumPy atualmente consiste dos seguintes membros (em ordem alfabética, pelo sobrenome): - Sebastian Berg - Ralf Gommers @@ -22,7 +21,7 @@ O papel do Conselho Diretor do NumPy consiste em assegurar o bem-estar a longo p - Melissa Weber Mendonça - Eric Wieser -Membros Eméritos: +Emeritus: - Alex Griffing (2015-2017) - Allan Haldane (2015-2021) @@ -35,7 +34,7 @@ Membros Eméritos: Para entrar em contato com o conselho diretor do NumPy, por favor envie um email para numpy-team@googlegroups.com. -## Times +## Teams A liderança do projeto NumPy trabalha ativamente na diversificação dos caminhos possíveis para contribuições.
Atualmente, o NumPy conta com os seguintes times: @@ -64,7 +63,6 @@ Veja a página sobre os [Times](/teams) para mais informações. O NumPy recebe financiamento direto das seguintes fontes: {{< sponsors >}} - ## Parceiros Institucionais Os Parceiros Institucionais são organizações que apoiam o projeto, empregando pessoas que contribuem para a NumPy como parte de seu trabalho. Os parceiros institucionais atuais incluem: @@ -75,7 +73,6 @@ Os Parceiros Institucionais são organizações que apoiam o projeto, empregando {{< partners >}} - ## Doações Se você achou o NumPy útil no seu trabalho, pesquisa ou empresa, por favor considere fazer uma doação para o projeto que seja compatível com seus recursos. Qualquer quantidade ajuda! Todas as doações serão utilizadas estritamente para financiar o desenvolvimento do software de código aberto da NumPy, documentação e comunidade. @@ -87,4 +84,3 @@ Doações para o NumPy são gerenciadas pela [NumFOCUS](https://numfocus.org). P O Conselho Diretor da NumPy tomará as decisões sobre a melhor forma de utilizar os fundos recebidos. Prioridades técnicas e de infraestrutura estão documentadas no [NumPy Roadmap](https://www.numpy.org/neps/index.html#roadmap). {{}} - diff --git a/content/pt/arraycomputing.md b/content/pt/arraycomputing.md index 941f69fe42..b43b5d58b4 100644 --- a/content/pt/arraycomputing.md +++ b/content/pt/arraycomputing.md @@ -3,19 +3,20 @@ title: Computação com Arrays sidebar: false --- -*A computação com arrays é a base para estatística e matemática computacionais, computação científica e suas várias aplicações em ciência e análise de dados, tais como visualização de dados, processamento de sinais digitais, processamento de imagens, bioinformática, aprendizagem de máquina, IA e muitas outras.* +_A computação com arrays é a base para estatística e matemática computacionais, computação científica e suas várias aplicações em ciência e análise de dados, tais como visualização de dados, processamento de sinais digitais, processamento de imagens, bioinformática, aprendizagem de máquina, IA e muitas outras._ A manipulação e a transformação de dados de grande escala dependem de computação eficiente de alta performance com arrays. A linguagem mais escolhida para análise de dados, aprendizagem de máquina e computação numérica produtiva é **Python.** **Num**erical **Py**thon (Python Numérico) ou NumPy é a biblioteca em Python padrão para o suporte à utilização de matrizes e arrays multidimensionais de grande porte, e vem com uma vasta coleção de funções matemáticas de alto nível para operar nestas arrays. -Desde o lançamento do NumPy em 2006, o Pandas apareceu em 2008, e nos últimos anos vimos uma sucessão de bibliotecas de computação com arrays aparecerem, ocupando e preenchendo o campo da computação com arrays. Muitas dessas bibliotecas mais recentes imitam recursos e capacidades parecidas com o NumPy e entregam algoritmos e recursos mais recentes voltados para aplicações de aprendizagem de máquina e inteligência artificial. +Desde o lançamento do NumPy em 2006, o Pandas apareceu em 2008, e nos últimos anos vimos uma sucessão de bibliotecas de computação com arrays aparecerem, ocupando e preenchendo o campo da computação com arrays. +Muitas dessas bibliotecas mais recentes imitam recursos e capacidades parecidas com o NumPy e entregam algoritmos e recursos mais recentes voltados para aplicações de aprendizagem de máquina e inteligência artificial. arraycl +src="/images/content_images/array_c_landscape.png" +alt="arraycl" +title="Panorama de Computação com Arrays" /> -A **computação com arrays** é baseada em estruturas de dados chamadas **arrays**. *Arrays* são usadas para organizar grandes quantidades de dados de forma que um conjunto de valores relacionados possa ser facilmente ordenado, obtido, matematicamente manipulado e transformado fácil e rapidamente. +A **computação com arrays** é baseada em estruturas de dados chamadas **arrays**. _Arrays_ são usadas para organizar grandes quantidades de dados de forma que um conjunto de valores relacionados possa ser facilmente ordenado, obtido, matematicamente manipulado e transformado fácil e rapidamente. -A computação com arrays é *única* pois envolve operar nos valores de um array de dados *de uma vez*. Isso significa que qualquer operação de array se aplica a todo um conjunto de valores de uma só vez. Esta abordagem vetorizada fornece velocidade e simplicidade por permitir que os programadores organizem o código e operem em agregados de dados, sem ter que usar laços com operações escalares individuais. +A computação com arrays é _única_ pois envolve operar nos valores de um array de dados _de uma vez_. Isso significa que qualquer operação de array se aplica a todo um conjunto de valores de uma só vez. Esta abordagem vetorizada fornece velocidade e simplicidade por permitir que os programadores organizem o código e operem em agregados de dados, sem ter que usar laços com operações escalares individuais. diff --git a/content/pt/case-studies/blackhole-image.md b/content/pt/case-studies/blackhole-image.md index d8429b35cc..cb3b12bd4c 100644 --- a/content/pt/case-studies/blackhole-image.md +++ b/content/pt/case-studies/blackhole-image.md @@ -12,37 +12,42 @@ attributionlink = 'https://www.jpl.nasa.gov/images/universe/20190410/blackhole20 {{< /figure >}} {{< blockquote - cite="https://www.youtube.com/watch?v=BIvezCVcsYs" - by="Katie Bouman, *Professora Assistente, Ciências da Computação e Matemática, Caltech*" ->}} -Criar uma imagem do Buraco Negro M87 é como tentar ver algo que, por definição, é impossível de se ver. -{{< /blockquote >}} +cite="https://www.youtube.com/watch?v=BIvezCVcsYs" +by="Katie Bouman, _Professora Assistente, Ciências da Computação e Matemática, Caltech_" + +> }} +> Criar uma imagem do Buraco Negro M87 é como tentar ver algo que, por definição, é impossível de se ver. +> {{< /blockquote >}} ## Um telescópio do tamanho da Terra O [telescópio Event Horizon (EHT)](https://eventhorizontelescope.org), é um conjunto de oito telescópios em solo formando um telescópio computacional do tamanho da Terra, projetado para estudar o universo com sensibilidade e resolução sem precedentes. O enorme telescópio virtual, que usa uma técnica chamada interferometria de longa linha de base (VLBI), tem uma resolução angular de [20 micro-arcossegundos][resolution] — o suficiente para ler um jornal em Nova Iorque a partir de um café em uma calçada de Paris! +[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole + ### Principais Objetivos e Resultados -* **Uma nova visão do universo:** A imagem inovadora do EHT foi publicada 100 anos após [o experimento de Sir Arthur Eddington][eddington] ter produzido as primeiras evidências observacionais apoiando a teoria da relatividade geral de Einstein. +- **Uma nova visão do universo:** A imagem inovadora do EHT foi publicada 100 anos após [o experimento de Sir Arthur Eddington][eddington] ter produzido as primeiras evidências observacionais apoiando a teoria da relatividade geral de Einstein. -* **O Buraco Negro:** o EHT foi treinado em um buraco negro supermassivo a aproximadamente 55 milhões de anos-luz da Terra, localizado no centro do galáxia Messier 87 (M87) no aglomerado de Virgem. Sua massa é equivalente a 6,5 bilhões de vezes a do Sol. Ele vem sendo estudado [há mais de 100 anos](https://www.jpl.nasa.gov/news/news.php?feature=7385), mas um buraco negro nunca havia sido observado visualmente antes. +- **O Buraco Negro:** o EHT foi treinado em um buraco negro supermassivo a aproximadamente 55 milhões de anos-luz da Terra, localizado no centro do galáxia Messier 87 (M87) no aglomerado de Virgem. Sua massa é equivalente a 6,5 bilhões de vezes a do Sol. Ele vem sendo estudado [há mais de 100 anos](https://www.jpl.nasa.gov/news/news.php?feature=7385), mas um buraco negro nunca havia sido observado visualmente antes. -* **Comparando observações com a teoria:** Pela teoria geral da relatividade de Einstein, os cientistas esperavam encontrar uma região de sombra causada pela distorção e captura da luz causada pela influência gravitacional do buraco negro. Os cientistas poderiam usá-la para medir a enorme massa do mesmo. +- **Comparando observações com a teoria:** Pela teoria geral da relatividade de Einstein, os cientistas esperavam encontrar uma região de sombra causada pela distorção e captura da luz causada pela influência gravitacional do buraco negro. Os cientistas poderiam usá-la para medir a enorme massa do mesmo. + +[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment ### Desafios -* **Escala computacional** +- **Escala computacional** - O EHT representa um desafio imenso em processamento de dados, incluindo rápidas flutuações de fase atmosférica, uma largura grande de banda nas gravações e telescópios que são muito diferentes e geograficamente dispersos. + O EHT representa um desafio imenso em processamento de dados, incluindo rápidas flutuações de fase atmosférica, uma largura grande de banda nas gravações e telescópios que são muito diferentes e geograficamente dispersos. -* **Muitas informações** +- **Muitas informações** - A cada dia, o EHT gera mais de 350 terabytes de observações, armazenadas em discos rígidos cheios de hélio. Reduzir o volume e a complexidade desse volume de dados é extremamente difícil. + A cada dia, o EHT gera mais de 350 terabytes de observações, armazenadas em discos rígidos cheios de hélio. Reduzir o volume e a complexidade desse volume de dados é extremamente difícil. -* **Em direção ao desconhecido** +- **Em direção ao desconhecido** - Quando o objetivo é algo que nunca foi visto, como os cientistas podem ter confiança de que sua imagem está correta? + Quando o objetivo é algo que nunca foi visto, como os cientistas podem ter confiança de que sua imagem está correta? {{< figure >}} src = '/images/content_images/cs/dataprocessbh.png' @@ -67,7 +72,8 @@ alt = 'role of numpy' title = 'O papel do NumPy na criação da primeira imagem de um Buraco Negro' {{< /figure >}} -Por exemplo, o pacote Python [`eht-imaging`][ehtim] fornece ferramentas para simular e realizar reconstrução de imagem nos dados do VLBI. O NumPy está no coração do processamento de dados vetoriais usado neste pacote, como ilustrado pelo gráfico parcial de dependências de software abaixo. +Por exemplo, o pacote Python [`eht-imaging`][ehtim] fornece ferramentas para simular e realizar reconstrução de imagem nos dados do VLBI. +O NumPy está no coração do processamento de dados vetoriais usado neste pacote, como ilustrado pelo gráfico parcial de dependências de software abaixo. {{< figure >}} src = '/images/content_images/cs/ehtim_numpy.png' @@ -75,7 +81,13 @@ alt = 'ehtim dependency map highlighting numpy' title = 'Diagrama de dependência de software do pacote ehtim evidenciando o NumPy' {{< /figure >}} -Além do NumPy, muitos outros pacotes como [SciPy](https://www.scipy.org) e [Pandas](https://pandas.io) foram usados na *pipeline* de processamento de dados para criar a imagem do buraco negro. Os arquivos astronômicos de formato padrão e transformações de tempo/coordenadas foram tratados pelo [Astropy][astropy] enquanto a [Matplotlib][mpl] foi usada na visualização de dados em todas as etapas de análise, incluindo a geração da imagem final do buraco negro. +[ehtim]: https://github.com/achael/eht-imaging + +Além do NumPy, muitos outros pacotes como [SciPy](https://www.scipy.org) e [Pandas](https://pandas.io) foram usados na _pipeline_ de processamento de dados para criar a imagem do buraco negro. +Os arquivos astronômicos de formato padrão e transformações de tempo/coordenadas foram tratados pelo [Astropy][astropy] enquanto a [Matplotlib][mpl] foi usada na visualização de dados em todas as etapas de análise, incluindo a geração da imagem final do buraco negro. + +[astropy]: https://www.astropy.org/ +[mpl]: https://matplotlib.org/ ## Resumo @@ -86,12 +98,3 @@ src = '/images/content_images/cs/numpy_bh_benefits.png' alt = 'numpy benefits' title = 'Funcionalidades-chave do 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/pt/case-studies/cricket-analytics.md b/content/pt/case-studies/cricket-analytics.md index 8d70c776a6..54e9bc1fcd 100644 --- a/content/pt/case-studies/cricket-analytics.md +++ b/content/pt/case-studies/cricket-analytics.md @@ -12,26 +12,29 @@ attributionlink = 'https://unsplash.com/@aksh1802' {{< /figure >}} {{< blockquote - cite="https://www.scoopwhoop.com/sports/ms-dhoni/" - by="M S Dhoni, *Jogador Internacional de Críquete, ex-capitão, Time Indiano, joga pelo Chennai Super Kings na IPL*" ->}} -Você não joga para a torcida, joga para o país. -{{< /blockquote >}} +cite="https://www.scoopwhoop.com/sports/ms-dhoni/" +by="M S Dhoni, _Jogador Internacional de Críquete, ex-capitão, Time Indiano, joga pelo Chennai Super Kings na IPL_" + +> }} +> Você não joga para a torcida, joga para o país. +> {{< /blockquote >}} ## Sobre Críquete -Dizer que os indianos adoram o críquete seria subestimar este sentimento. O jogo é jogado praticamente em todas as localidades da Índia, rurais ou urbanas, e é popular com os jovens e os anciões, conectando bilhões de pessoas na Índia como nenhum outro esporte. O cricket também recebe muita atenção da mídia. Há uma quantidade significativa de [dinheiro](https://www.statista.com/topics/4543/indian-premier-league-ipl/) e fama em jogo. Ao longo dos últimos anos, a tecnologia foi literalmente uma revolução. As audiências tem uma ampla possibilidade de escolha, com mídias de streaming, torneios, acesso barato a jogos de críquete ao vivo em dispositivos móveis, e mais. +Dizer que os indianos adoram o críquete seria subestimar este sentimento. O jogo é jogado praticamente em todas as localidades da Índia, rurais ou urbanas, e é popular com os jovens e os anciões, conectando bilhões de pessoas na Índia como nenhum outro esporte. +O cricket também recebe muita atenção da mídia. Há uma quantidade significativa de [dinheiro](https://www.statista.com/topics/4543/indian-premier-league-ipl/) e fama em jogo. Ao longo dos últimos anos, a tecnologia foi literalmente uma revolução. As audiências tem uma ampla possibilidade de escolha, com mídias de streaming, torneios, acesso barato a jogos de críquete ao vivo em dispositivos móveis, e mais. -A Primeira Liga Indiana (*Indian Premier League* - IPL) é uma liga profissional de críquete [Twenty20](https://pt.wikipedia.org/wiki/Twenty20), fundada em 2008. É um dos eventos de críquete mais assistidos no mundo, avaliado em [$6,7 bilhões de dólares](https://en.wikipedia.org/wiki/Indian_Premier_League) em 2019. +A Primeira Liga Indiana (_Indian Premier League_ - IPL) é uma liga profissional de críquete [Twenty20](https://pt.wikipedia.org/wiki/Twenty20), fundada em 2008. É um dos eventos de críquete mais assistidos no mundo, avaliado em [$6,7 bilhões de dólares](https://en.wikipedia.org/wiki/Indian_Premier_League) em 2019. -perdidos por um boleador, as partidas ganhas por uma equipe de críquete, o número de vezes que um batsman responde de certa maneira a um tipo de arremesso do boleador, etc. A capacidade de investigar números de críquete para melhorar o desempenho e estudar as oportunidades de negócio, mercado e economia de críquete através de poderosas ferramentas de análise, alimentadas por softwares numéricos de computação, como o NumPy, é um grande negócio. A capacidade de investigar estatísticas do críquete para melhorar a performance dos times e estudar oportunidades de negócios, o mercado em si, e a economia do críquete através de ferramentas de análise poderosas alimentadas por softwares de computação numérica como o NumPy é um grande negócio. As análises de críquete fornecem informações interessantes sobre o jogo e informações preditivas sobre os resultados do jogo. +perdidos por um boleador, as partidas ganhas por uma equipe de críquete, o número de vezes que um batsman responde de certa maneira a um tipo de arremesso do boleador, etc. A capacidade de investigar números de críquete para melhorar o desempenho e estudar as oportunidades de negócio, mercado e economia de críquete através de poderosas ferramentas de análise, alimentadas por softwares numéricos de computação, como o NumPy, é um grande negócio. As análises de críquete fornecem informações interessantes sobre o jogo e informações preditivas sobre os resultados do jogo. -Hoje, existem conjuntos ricos e quase infinitos de estatísticas e informações sobre jogos de críquete, por exemplo, [ESPN cricinfo](https://stats.espncricinfo.com/ci/engine/stats/index.html) e [cricsheet](https://cricsheet.org). Estes e muitos outros bancos de dados de críquete foram usados para [análise de críquete](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances) usando os mais modernos algoritmos de aprendizagem de máquina e modelagem preditiva. Plataformas de mídia e entretenimento, juntamente com entidades de esporte profissionais associadas ao jogo usam tecnologia e análise para determinar métricas chave para melhorar as chances de vitória: +Hoje, existem conjuntos ricos e quase infinitos de estatísticas e informações sobre jogos de críquete, por exemplo, [ESPN cricinfo](https://stats.espncricinfo.com/ci/engine/stats/index.html) e [cricsheet](https://cricsheet.org). Estes e muitos outros bancos de dados de críquete foram usados para [análise de críquete](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances) usando os mais modernos algoritmos de aprendizagem de máquina e modelagem preditiva. +Plataformas de mídia e entretenimento, juntamente com entidades de esporte profissionais associadas ao jogo usam tecnologia e análise para determinar métricas chave para melhorar as chances de vitória: -* média móvel do desempenho em rebatidas, -* previsão de pontuação, -* ganho de informações sobre desempenho e condição física de um determinado jogador contra determinado adversário, -* contribuições dos jogadores para vitórias e derrotas para a tomada de decisões estratégicas na composição do time +- média móvel do desempenho em rebatidas, +- previsão de pontuação, +- ganho de informações sobre desempenho e condição física de um determinado jogador contra determinado adversário, +- contribuições dos jogadores para vitórias e derrotas para a tomada de decisões estratégicas na composição do time {{< figure >}} src = '/images/content_images/cs/cricket-pitch.png' @@ -44,9 +47,9 @@ attributionlink = 'http://debarghyadas.com/files/IPLpaper.pdf' ### Objetivos Principais da Análise de Dados -* A análise de dados esportivos é usada não somente em críquete, mas em muitos [outros esportes](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) para melhorar o desempenho geral da equipe e maximizar as chances de vitória. -* A análise de dados em tempo real pode ajudar a obtenção de informações mesmo durante o jogo para orientar mudanças nas táticas da equipe e dos negócios associados para benefícios e crescimento econômicos. -* Além da análise histórica, os modelos preditivos explorados para determinar os possíveis resultados das partidas requerem um conhecimento significativo sobre processamento numérico e ciência de dados, ferramentas de visualização e a possibilidade de incluir observações mais recentes na análise. +- A análise de dados esportivos é usada não somente em críquete, mas em muitos [outros esportes](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) para melhorar o desempenho geral da equipe e maximizar as chances de vitória. +- A análise de dados em tempo real pode ajudar a obtenção de informações mesmo durante o jogo para orientar mudanças nas táticas da equipe e dos negócios associados para benefícios e crescimento econômicos. +- Além da análise histórica, os modelos preditivos explorados para determinar os possíveis resultados das partidas requerem um conhecimento significativo sobre processamento numérico e ciência de dados, ferramentas de visualização e a possibilidade de incluir observações mais recentes na análise. {{< figure >}} src = '/images/content_images/cs/player-pose-estimator.png' @@ -58,29 +61,32 @@ attributionlink = 'https://connect.vin/2019/05/ai-for-cricket-batsman-pose-analy ### Desafios -* **Limpeza e pré-processamento de dados** +- **Limpeza e pré-processamento de dados** A IPL expandiu o formato de jogo clássico de cricket para uma escala muito maior. O número de partidas jogadas a cada temporada em vários formatos tem aumentado, assim como os dados, os algoritmos, as tecnologias de análise de dados mais recentes e modelos de simulação. A análise de dados de críquete requer mapeamento de campo, rastreamento do jogador, rastreamento de bola e análise de tiros do jogador, análise de lances do jogador e vários outros aspectos envolvidos em como a bola é lançada, seu ângulo, giro, velocidade e trajetória. Todos esses fatores em conjunto aumentaram a complexidade da limpeza e pré-processamento de dados. -* **Modelagem Dinâmica** +- **Modelagem Dinâmica** No críquete, como em qualquer outro esporte, pode haver um grande número de variáveis relacionadas ao rastreamento de vários jogadores no campo, seus atributos, a bola e várias possibilidades de ações em potencial. A complexidade da análise e modelagem de dados é diretamente proporcional ao tipo de questões preditivas que são consideradas durante a análise e são altamente dependentes da representação de dados e do modelo. As coisas são ainda mais desafiadoras em termos de computação e comparações de dados quando previsões dinâmicas de jogo de críquete são desejadas, como o que teria acontecido se o batsman tivesse atingido a bola com um ângulo ou velocidade diferentes. -* **Complexidade da análise preditiva** +- **Complexidade da análise preditiva** - Muito da tomada de decisões em críquete se baseia em questões como "com que frequência um batsman joga um certo tipo de lance se a recepção da bola for de um determinado tipo", ou "como um boleador muda a direção e alcance da sua jogada se o batsman responder de uma certa maneira". Esse tipo de consulta de análise preditiva requer a disponibilidade de conjuntos de dados altamente granulares e a capacidade de sintetizar dados e criar modelos generativos que sejam altamente precisos. + Muito da tomada de decisões em críquete se baseia em questões como "com que frequência um batsman joga um certo tipo de lance se a recepção da bola for de um determinado tipo", ou "como um boleador muda a direção e alcance da sua jogada se o batsman responder de uma certa maneira". + Esse tipo de consulta de análise preditiva requer a disponibilidade de conjuntos de dados altamente granulares e a capacidade de sintetizar dados e criar modelos generativos que sejam altamente precisos. ## O papel do NumPy na análise de críquete A análise de dados esportivos é um campo próspero. Muitos pesquisadores e empresas [usam NumPy](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) e outros pacotes PyData como Scikit-learn, SciPy, Matplotlib, e Jupyter, além de usar as últimas técnicas de aprendizagem de máquina e IA. O NumPy foi usado para vários tipos de análise esportiva relacionada a críquete, como: -* **Análise Estatística:** Os recursos numéricos do NumPy ajudam a estimar o significado estatístico de dados observados ou de eventos ocorridos em partidas no contexto de vários jogadores e táticas de jogo, bem como estimar o resultado do jogo em comparação com um modelo generativo ou estático. [Análise Causal](https://amplitude.com/blog/2017/01/19/causation-correlation) e [abordagens em *big data*](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/) são usados para análise tática. +- **Análise Estatística:** Os recursos numéricos do NumPy ajudam a estimar o significado estatístico de dados observados ou de eventos ocorridos em partidas no contexto de vários jogadores e táticas de jogo, bem como estimar o resultado do jogo em comparação com um modelo generativo ou estático. + [Análise Causal](https://amplitude.com/blog/2017/01/19/causation-correlation) e [abordagens em _big data_](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4996805/) são usados para análise tática. -* **Visualização de dados:** Gráficos e [visualizações](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) fornecem informações úteis sobre as relações entre vários conjuntos de dados. +- **Visualização de dados:** Gráficos e [visualizações](https://towardsdatascience.com/advanced-sports-visualization-with-pandas-matplotlib-and-seaborn-9c16df80a81b) fornecem informações úteis sobre as relações entre vários conjuntos de dados. ## Resumo -A análise de dados esportivos é revolucionária quando se trata de como os jogos profissionais são jogados, especialmente se consideramos como acontece a tomada de decisões estratégicas, que até pouco tempo era principalmente feita com base na "intuição" ou adesão a tradições passadas. O NumPy forma uma fundação sólida para um grande conjunto de pacotes Python que fornecem funções de alto nível relacionadas à análise de dados, aprendizagem de máquina e algoritmos de IA. Estes pacotes são amplamente implantados para se obter informações em tempo real que ajudam na tomada de decisão para resultados decisivos, tanto em campo como para se derivar inferências e orientar negócios em torno do jogo de críquete. Encontrar os parâmetros ocultos, padrões, e atributos que levam ao resultado de uma partida de críquete ajuda os envolvidos a tomar nota das percepções do jogo que estariam de outra forma ocultas nos números e estatísticas. +A análise de dados esportivos é revolucionária quando se trata de como os jogos profissionais são jogados, especialmente se consideramos como acontece a tomada de decisões estratégicas, que até pouco tempo era principalmente feita com base na "intuição" ou adesão a tradições passadas. O NumPy forma uma fundação sólida para um grande conjunto de pacotes Python que fornecem funções de alto nível relacionadas à análise de dados, aprendizagem de máquina e algoritmos de IA. +Estes pacotes são amplamente implantados para se obter informações em tempo real que ajudam na tomada de decisão para resultados decisivos, tanto em campo como para se derivar inferências e orientar negócios em torno do jogo de críquete. Encontrar os parâmetros ocultos, padrões, e atributos que levam ao resultado de uma partida de críquete ajuda os envolvidos a tomar nota das percepções do jogo que estariam de outra forma ocultas nos números e estatísticas. {{< figure >}} src = '/images/content_images/cs/numpy_ca_benefits.png' diff --git a/content/pt/case-studies/deeplabcut-dnn.md b/content/pt/case-studies/deeplabcut-dnn.md index 557b336ab8..a163a46fcb 100644 --- a/content/pt/case-studies/deeplabcut-dnn.md +++ b/content/pt/case-studies/deeplabcut-dnn.md @@ -12,11 +12,12 @@ attributionlink = 'http://www.mousemotorlab.org/deeplabcut' {{< /figure >}} {{< blockquote - cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/" - by="Alexander Mathis, *Professor Assistente, École polytechnique fédérale de Lausanne* ([EPFL](https://www.epfl.ch/en/))" ->}} -Software de código aberto está acelerando a Biomedicina. DeepLabCut permite a análise automática de vídeos de comportamento animal usando Deep Learning. -{{< /blockquote >}} +cite="https://news.harvard.edu/gazette/story/newsplus/harvard-researchers-awarded-czi-open-source-award/" +by="Alexander Mathis, _Professor Assistente, École polytechnique fédérale de Lausanne_ ([EPFL](https://www.epfl.ch/en/))" + +> }} +> Software de código aberto está acelerando a Biomedicina. DeepLabCut permite a análise automática de vídeos de comportamento animal usando Deep Learning. +> {{< /blockquote >}} ## Sobre o DeepLabCut @@ -33,19 +34,21 @@ attribution = '(Fonte: Mackenzie Mathis)' O rastreamento não invasivo dos animais pela DeepLabCut através da extração de poses é crucial para pesquisas científicas em domínios como a biomecânica, genética, etologia e neurociência. Medir as poses dos animais de maneira não invasiva através de vídeo - sem marcadores - com fundos dinâmicos é computacionalmente desafiador, tanto tecnicamente quanto em termos de recursos e dados de treinamento necessários. -A DeepLabCut permite que pesquisadores façam estimativas de poses para os sujeitos, permitindo que se possa quantificar de maneira eficiente seus comportamentos através de um conjunto de ferramentas de software baseado em Python. Com a DeepLabCut, pesquisadores podem identificar quadros (*frames*) distintos em vídeos e rotular digitalmente partes específicas do corpo em alguns quadros com uma GUI especializada. A partir disso, a arquitetura de estimação de poses baseada em deep learning da DeepLabCut aprende a selecionar essas mesmas características no resto do vídeo e em outros vídeos similares. A ferramenta funciona para várias espécies de animais, desde animais comuns em laboratórios, como moscas e camundongos, até os mais incomuns, como [guepardos][cheetah-movement]. +A DeepLabCut permite que pesquisadores façam estimativas de poses para os sujeitos, permitindo que se possa quantificar de maneira eficiente seus comportamentos através de um conjunto de ferramentas de software baseado em Python. Com a DeepLabCut, pesquisadores podem identificar quadros (_frames_) distintos em vídeos e rotular digitalmente partes específicas do corpo em alguns quadros com uma GUI especializada. A ferramenta funciona para várias espécies de animais, desde animais comuns em laboratórios, como moscas e camundongos, até os mais incomuns, como [guepardos][cheetah-movement]. + +[cheetah-movement]: https://www.technologynetworks.com/neuroscience/articles/interview-a-deeper-cut-into-behavior-with-mackenzie-mathis-327618 -A DeepLabCut usa um princípio chamado [aprendizado por transferência (*transfer learning*)](https://arxiv.org/pdf/1909.11229), o que reduz enormemente a quantidade de dados de treinamento necessários e acelera a convergência do período de treinamento. Dependendo das suas necessidades, usuários podem escolher diferentes arquiteturas de rede que forneçam inferência mais rápida (por exemplo, MobileNetV2), e que também podem ser combinadas com feedback experimental em tempo real. A DeepLabCut usou originalmente os detectores de features de uma arquitetura de alto desempenho para estimativa de poses humanas, chamada [DeeperCut](https://arxiv.org/abs/1605.03170), que inspirou seu nome. O pacote foi significativamente alterado para incluir mais arquiteturas, métodos de ampliação e uma experiência de usuário completa no front-end. Além de possibilitar experimentos biológicos em grande escala, DeepLabCut fornece capacidades ativas de aprendizado para que os usuários possam aumentar o conjunto de treinamento ao longo do tempo, para incluir casos particulares e tornar seu algoritmo de estimativa de poses robusto no seu contexto específico. +A DeepLabCut usa um princípio chamado [aprendizado por transferência (_transfer learning_)](https://arxiv.org/pdf/1909.11229), o que reduz enormemente a quantidade de dados de treinamento necessários e acelera a convergência do período de treinamento. Dependendo das suas necessidades, usuários podem escolher diferentes arquiteturas de rede que forneçam inferência mais rápida (por exemplo, MobileNetV2), e que também podem ser combinadas com feedback experimental em tempo real. A DeepLabCut usou originalmente os detectores de features de uma arquitetura de alto desempenho para estimativa de poses humanas, chamada [DeeperCut](https://arxiv.org/abs/1605.03170), que inspirou seu nome. O pacote foi significativamente alterado para incluir mais arquiteturas, métodos de ampliação e uma experiência de usuário completa no front-end. Além de possibilitar experimentos biológicos em grande escala, DeepLabCut fornece capacidades ativas de aprendizado para que os usuários possam aumentar o conjunto de treinamento ao longo do tempo, para incluir casos particulares e tornar seu algoritmo de estimativa de poses robusto no seu contexto específico. Recentemente, foi introduzido o [modelo DeepLabCut zoo](http://www.mousemotorlab.org/dlc-modelzoo), que proporciona modelos pré-treinados para várias espécies e condições experimentais, desde a análise facial em primatas até à posição de cães. Isso pode ser executado na nuvem, por exemplo, sem qualquer rotulagem de novos dados ou treinamento em rede neural, e não é necessária nenhuma experiência em programação. ### Principais Objetivos e Resultados -* **Automação da análise de poses animais para estudos científicos:** +- **Automação da análise de poses animais para estudos científicos:** O objetivo principal da tecnologia DeepLabCut é medir e rastrear a postura dos animais em várias configurações. Esses dados podem ser usados, por exemplo, em estudos de neurociência para entender como o cérebro controla o movimento, ou para elucidar como os animais interagem socialmente. Pesquisadores observaram que [desempenho é 10 vezes melhor](https://www.biorxiv.org/content/10.1101/457242v1) com o DeepLabCut. Poses podem ser inferidas off-line em até 1200 quadros por segundo (FPS). -* **Criação de um kit de ferramentas Python fácil de usar para estimativa de poses:** +- **Criação de um kit de ferramentas Python fácil de usar para estimativa de poses:** DeepLabCut queria compartilhar sua tecnologia de estimativa de poses animal na forma de uma ferramenta simples de usar que pudesse ser adotada pelos pesquisadores facilmente. Assim, criaram um conjunto de ferramentas em Python completo e fácil de usar, também com recursos de gerenciamento de projeto. Isso permite não apenas a automação de estimação de poses, mas também o gerenciamento do projeto de ponta a ponta, ajudando o usuário do DeepLabCut Toolkit desde a fase de coleta para criar fluxos de dados compartilháveis e reutilizáveis. @@ -67,19 +70,23 @@ attribution = '(Fonte: DeepLabCut)' attributionlink = 'https://twitter.com/DeepLabCut/status/1198046918284210176/photo/1' {{< /figure >}} +[DLCToolkit]: https://github.com/DeepLabCut/DeepLabCut + ### Desafios -* **Velocidade** +- **Velocidade** - Processamento rápido de vídeos de animais para medir seu comportamento e, ao mesmo tempo, tornar os experimentos científicos mais eficientes e precisos. Extrair poses animais detalhadas para experimentos em laboratório, sem marcadores, sobre fundos dinâmicos, pode ser desafiador tanto tecnicamente quanto em termos de recursos e dados de treinamento necessários. Criar uma ferramenta que seja fácil de usar sem necessidade de habilidades como expertise em visão computacional que permita aos cientistas fazerem pesquisa em contextos mais próximos do mundo real é um problema não-trivial a ser solucionado. + Processamento rápido de vídeos de animais para medir seu comportamento e, ao mesmo tempo, tornar os experimentos científicos mais eficientes e precisos. + Extrair poses animais detalhadas para experimentos em laboratório, sem marcadores, sobre fundos dinâmicos, pode ser desafiador tanto tecnicamente quanto em termos de recursos e dados de treinamento necessários. + Criar uma ferramenta que seja fácil de usar sem necessidade de habilidades como expertise em visão computacional que permita aos cientistas fazerem pesquisa em contextos mais próximos do mundo real é um problema não-trivial a ser solucionado. -* **Combinatória** +- **Combinatória** - Combinatória envolve a junção e integração de movimentos de múltiplos membros em um comportamento animal único. Reunir pontos-chave e suas conexões em movimentos animais individuais e encadeá-los em função do tempo é um processo complexo que exige análise numérica intensa, especialmente nos casos de rastreio de múltiplos animais em vídeos experimentais. + Combinatória envolve a junção e integração de movimentos de múltiplos membros em um comportamento animal único. Reunir pontos-chave e suas conexões em movimentos animais individuais e encadeá-los em função do tempo é um processo complexo que exige análise numérica intensa, especialmente nos casos de rastreio de múltiplos animais em vídeos experimentais. -* **Processamento de dados** +- **Processamento de dados** - Por último, mas não menos importante, manipulação de matrizes - processar grandes conjuntos de matrizes correspondentes a várias imagens, tensores alvo e pontos-chave é bastante desafiador. + Por último, mas não menos importante, manipulação de matrizes - processar grandes conjuntos de matrizes correspondentes a várias imagens, tensores alvo e pontos-chave é bastante desafiador. {{< figure >}} src = '/images/content_images/cs/pose-estimation.png' @@ -96,13 +103,13 @@ NumPy supre a principal necessidade da tecnologia DeepLabCut de cálculos numér As seguintes características da NumPy desempenharam um papel fundamental para atender às necessidades de processamento de imagens, combinatória e cálculos rápidos nos algoritmos de estimação de pose na DeepLabCut: -* Vetorização -* Operações em arrays com máscaras -* Álgebra linear -* Amostragem aleatória -* Reordenamento de matrizes grandes +- Vetorização +- Operações em arrays com máscaras +- Álgebra linear +- Random Sampling +- Reordenamento de matrizes grandes -A DeepLabCut utiliza as capacidades de manipulação de arrays da NumPy em todo o fluxo de trabalho oferecido pelo seu conjunto de ferramentas. Em particular, a NumPy é usada para amostragem de quadros distintos para serem rotulados com anotações humanas e para escrita, edição e processamento de dados de anotação. Dentro da TensorFlow, a rede neural é treinada pela tecnologia DeepLabCut em milhares de iterações para prever as anotações verdadeiras dos quadros. Para este propósito, densidades de alvo (*scoremaps*) são criadas para colocar a estimativa como um problema de tradução de imagem a imagem. Para tornar as redes neurais robustas, o aumento de dados é empregado, o que requer o cálculo de scoremaps alvo sujeitos a várias etapas geométricas e de processamento de imagem. Para tornar o treinamento rápido, os recursos de vectorização da NumPy são utilizados. Para inferência, as previsões mais prováveis de scoremaps alvo precisam ser extraídas e é necessário "vincular previsões para montar animais individuais" de maneira eficiente. +A DeepLabCut utiliza as capacidades de manipulação de arrays da NumPy em todo o fluxo de trabalho oferecido pelo seu conjunto de ferramentas. Em particular, a NumPy é usada para amostragem de quadros distintos para serem rotulados com anotações humanas e para escrita, edição e processamento de dados de anotação. Dentro da TensorFlow, a rede neural é treinada pela tecnologia DeepLabCut em milhares de iterações para prever as anotações verdadeiras dos quadros. A partir disso, a arquitetura de estimação de poses baseada em deep learning da DeepLabCut aprende a selecionar essas mesmas características no resto do vídeo e em outros vídeos similares. Para este propósito, densidades de alvo (_scoremaps_) são criadas para colocar a estimativa como um problema de tradução de imagem a imagem. Para tornar as redes neurais robustas, o aumento de dados é empregado, o que requer o cálculo de scoremaps alvo sujeitos a várias etapas geométricas e de processamento de imagem. Para tornar o treinamento rápido, os recursos de vectorização da NumPy são utilizados. Para inferência, as previsões mais prováveis de scoremaps alvo precisam ser extraídas e é necessário "vincular previsões para montar animais individuais" de maneira eficiente. {{< figure >}} src = '/images/content_images/cs/deeplabcut-workflow.png' @@ -114,14 +121,11 @@ attributionlink = 'https://www.researchgate.net/figure/DeepLabCut-work-flow-The- ## Resumo -Observação e descrição eficiente do comportamento é uma peça fundamental da etologia, neurociência, medicina e tecnologia modernas. [DeepLabCut](http://orga.cvss.cc/wp-content/uploads/2019/05/NathMathis2019.pdf) permite que os pesquisadores estimem a pose do sujeito, permitindo efetivamente que o seu comportamento seja quantificado. Com apenas um pequeno conjunto de imagens de treinamento, o conjunto de ferramentas em Python da DeepLabCut permite treinar uma rede neural tão precisa quanto a rotulagem humana, expandindo assim sua aplicação para não só análise de comportamento dentro do laboratório, mas também potencialmente em esportes, análise de locomoção, medicina e estudos sobre reabilitação. Desafios complexos em combinatória e processamento de dados enfrentados pelos algoritmos da DeepLabCut são tratados através do uso de recursos de manipulação de matriz do NumPy. +Observação e descrição eficiente do comportamento é uma peça fundamental da etologia, neurociência, medicina e tecnologia modernas. +[DeepLabCut](http://orga.cvss.cc/wp-content/uploads/2019/05/NathMathis2019.pdf) permite que os pesquisadores estimem a pose do sujeito, permitindo efetivamente que o seu comportamento seja quantificado. Com apenas um pequeno conjunto de imagens de treinamento, o conjunto de ferramentas em Python da DeepLabCut permite treinar uma rede neural tão precisa quanto a rotulagem humana, expandindo assim sua aplicação para não só análise de comportamento dentro do laboratório, mas também potencialmente em esportes, análise de locomoção, medicina e estudos sobre reabilitação. Desafios complexos em combinatória e processamento de dados enfrentados pelos algoritmos da DeepLabCut são tratados através do uso de recursos de manipulação de matriz do NumPy. {{< figure >}} src = '/images/content_images/cs/numpy_dlc_benefits.png' alt = 'numpy benefits' title = 'Recursos chave do NumPy utilizados' {{< /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/pt/case-studies/gw-discov.md b/content/pt/case-studies/gw-discov.md index cb371914fc..db8fd8a87a 100644 --- a/content/pt/case-studies/gw-discov.md +++ b/content/pt/case-studies/gw-discov.md @@ -12,8 +12,8 @@ attributionlink = 'https://youtu.be/Zt8Z_uzG71o' {{< /figure >}} {{< blockquote - cite="https://www.youtube.com/watch?v=BIvezCVcsYs" - by="David Shoemaker, *Colaborador Científico no LIGO*" >}} +cite="https://www.youtube.com/watch?v=BIvezCVcsYs" +by="David Shoemaker, _Colaborador Científico no LIGO_" >}} O ecossistema científico Python é uma infraestrutura crítica para a pesquisa feita no LIGO. {{< /blockquote >}} @@ -23,28 +23,27 @@ Ondas gravitacionais são ondulações no tecido espaço-tempo, gerado por event O [Observatório Interferômetro Laser de Ondas Gravitacionais (LIGO)](https://www.ligo.caltech.edu) foi projetado para abrir o campo da astrofísica das ondas gravitacionais através da detecção direta de ondas gravitacionais previstas pela Teoria Geral da Relatividade de Einstein. O observatório consiste de dois interferômetros amplamente separados dentro dos Estados Unidos - um em Hanford, Washington e o outro em Livingston, Louisiana — operando em uníssono para detectar ondas gravitacionais. Cada um deles tem detectores em escala quilométrica de ondas gravitacionais que usam interferometria laser. A Colaboração Científica LIGO (LSC), é um grupo de mais de 1000 cientistas de universidades dos Estados Unidos e em 14 outros países apoiados por mais de 90 universidades e institutos de pesquisa; aproximadamente 250 estudantes contribuem ativamente com a colaboração. A nova descoberta do LIGO é a primeira observação de ondas gravitacionais em si, feita medindo os pequenos distúrbios que as ondas fazem ao espaço-tempo enquanto atravessam a Terra. A descoberta abriu novas fronteiras astrofísicas que exploram o lado "curvado" do universo - objetos e fenômenos que são feitos a partir da curvatura do espaço-tempo. - ### Objetivos -* Embora sua [missão](https://www.ligo.caltech.edu/page/what-is-ligo) seja detectar ondas gravitacionais de alguns dos processos mais violentos e enérgicos no Universo, os dados que o LIGO coleta podem ter efeitos de grande alcance em muitas áreas da física, incluindo gravitação, relatividade, astrofísica, cosmologia, física de partículas e física nuclear. -* Processar dados observados através de cálculos numéricos de relatividade que envolvem matemática complexa para identificar o sinal e o ruído, filtrar o sinal relevante e estimar estatisticamente o significado dos dados observados. -* Visualização de dados para que os resultados binários/numéricos possam ser compreendidos. - - +- Embora sua [missão](https://www.ligo.caltech.edu/page/what-is-ligo) seja detectar ondas gravitacionais de alguns dos processos mais violentos e enérgicos no Universo, os dados que o LIGO coleta podem ter efeitos de grande alcance em muitas áreas da física, incluindo gravitação, relatividade, astrofísica, cosmologia, física de partículas e física nuclear. +- Processar dados observados através de cálculos numéricos de relatividade que envolvem matemática complexa para identificar o sinal e o ruído, filtrar o sinal relevante e estimar estatisticamente o significado dos dados observados. +- Visualização de dados para que os resultados binários/numéricos possam ser compreendidos. ### Desafios -* **Computação** +- **Computação** - As ondas gravitacionais são difíceis de detectar pois produzem um efeito muito pequeno e têm uma pequena interação com a matéria. Processar e analisar todos os dados do LIGO requer uma vasta infraestrutura de computação. Depois de cuidar do ruído, que é bilhões de vezes maior que o sinal, ainda há equações de relatividade complexas e enormes quantidades de dados que apresentam um desafio computacional: [O(10^7) horas de CPU necessárias para análises de fusão binária](https://youtu.be/7mcHknWWzNI) espalhado em 6 clusters LIGO dedicados. + As ondas gravitacionais são difíceis de detectar pois produzem um efeito muito pequeno e têm uma pequena interação com a matéria. Depois de cuidar do ruído, que é bilhões de vezes maior que o sinal, ainda há equações de relatividade complexas e enormes quantidades de dados que apresentam um desafio computacional: [O(10^7) horas de CPU necessárias para análises de fusão binária](https://youtu.be/7mcHknWWzNI) espalhado em 6 clusters LIGO dedicados. -* **Sobrecarga de dados** +- **Sobrecarga de dados** - À medida que os dispositivos observacionais se tornam mais sensíveis e confiáveis, os desafios criados pela sobrecarga de dados e a procura por uma agulha em um palheiro se tornam muito maiores. O LIGO gera terabytes de dados todos os dias! Entender esses dados requer um enorme esforço para cada detecção. Por exemplo, os sinais sendo coletados pelo LIGO devem ser combinados por supercomputadores e comparados a centenas de milhares de modelos de possíveis assinaturas de ondas gravitacionais. + À medida que os dispositivos observacionais se tornam mais sensíveis e confiáveis, os desafios criados pela sobrecarga de dados e a procura por uma agulha em um palheiro se tornam muito maiores. + O LIGO gera terabytes de dados todos os dias! Entender esses dados requer um enorme esforço para cada detecção. Por exemplo, os sinais sendo coletados pelo LIGO devem ser combinados por supercomputadores e comparados a centenas de milhares de modelos de possíveis assinaturas de ondas gravitacionais. -* **Visualização** +- **Visualização** - Uma vez que os obstáculos relacionados a compreender as equações de Einstein bem o suficiente para resolvê-las usando supercomputadores foram ultrapassados, o próximo grande desafio era tornar os dados compreensíveis para o cérebro humano. A modelagem de simulações, assim como a detecção de sinais, exigem técnicas de visualização efetiva. A visualização também desempenha um papel de fornecer mais credibilidade à relatividade numérica aos olhos dos aficionados pela ciência pura, que não dão importância suficiente à relatividade numérica até que a imagem e as simulações tornem mais fácil a compreensão dos resultados para um público maior. A velocidade da computação complexa, e da renderização, re-renderização de imagens e simulações usando as últimas entradas e informações experimentais pode ser uma atividade demorada que desafia pesquisadores neste domínio. + Uma vez que os obstáculos relacionados a compreender as equações de Einstein bem o suficiente para resolvê-las usando supercomputadores foram ultrapassados, o próximo grande desafio era tornar os dados compreensíveis para o cérebro humano. A modelagem de simulações, assim como a detecção de sinais, exigem técnicas de visualização efetiva. A visualização também desempenha um papel de fornecer mais credibilidade à relatividade numérica aos olhos dos aficionados pela ciência pura, que não dão importância suficiente à relatividade numérica até que a imagem e as simulações tornem mais fácil a compreensão dos resultados para um público maior. + A velocidade da computação complexa, e da renderização, re-renderização de imagens e simulações usando as últimas entradas e informações experimentais pode ser uma atividade demorada que desafia pesquisadores neste domínio. {{< figure >}} src = '/images/content_images/cs/gw_strain_amplitude.png' @@ -56,18 +55,19 @@ attributionlink = 'https://www.researchgate.net/publication/293886905_Observatio ## O papel da NumPy na detecção de ondas gravitacionais -Ondas gravitacionais emitidas da fusão não podem ser calculadas usando nenhuma técnica a não ser relatividade numérica por força bruta usando supercomputadores. A quantidade de dados que o LIGO coleta é imensa tanto quanto os sinais de ondas gravitacionais são pequenos. +Ondas gravitacionais emitidas da fusão não podem ser calculadas usando nenhuma técnica a não ser relatividade numérica por força bruta usando supercomputadores. +A quantidade de dados que o LIGO coleta é imensa tanto quanto os sinais de ondas gravitacionais são pequenos. NumPy, o pacote padrão de análise numérica para Python, foi parte do software utilizado para várias tarefas executadas durante o projeto de detecção de ondas gravitacionais no LIGO. A NumPy ajudou a resolver problemas matemáticos e de manipulação de dados complexos em alta velocidade. Aqui estão alguns exemplos: -* [Processamento de sinais](https://www.uv.es/virgogroup/Denoising_ROF.html): Detecção de falhas, [Identificação de ruídos e caracterização de dados](https://ep2016.europython.eu/media/conference/slides/pyhton-in-gravitational-waves-research-communities.pdf) (NumPy, scikit-learn, scipy, matplotlib, pandas, PyCharm) -* Recuperação de dados: Decidir quais dados podem ser analisados, compreender se os dados contém um sinal - como uma agulha em um palheiro -* Análise estatística: estimar o significado estatístico dos dados observados, estimando os parâmetros do sinal (por exemplo, massa de estrelas, velocidade de giro e distância) em comparação com um modelo. -* Visualização de dados +- [Processamento de sinais](https://www.uv.es/virgogroup/Denoising_ROF.html): Detecção de falhas, [Identificação de ruídos e caracterização de dados](https://ep2016.europython.eu/media/conference/slides/pyhton-in-gravitational-waves-research-communities.pdf) (NumPy, scikit-learn, scipy, matplotlib, pandas, PyCharm) +- Recuperação de dados: Decidir quais dados podem ser analisados, compreender se os dados contém um sinal - como uma agulha em um palheiro +- Análise estatística: estimar o significado estatístico dos dados observados, estimando os parâmetros do sinal (por exemplo, massa de estrelas, velocidade de giro e distância) em comparação com um modelo. +- Visualização de dados - Séries temporais - Espectrogramas -* Cálculo de correlações -* [Software](https://github.com/lscsoft) fundamental desenvolvido na análise de ondas gravitacionais, como [GwPy](https://gwpy.github.io/docs/stable/overview.html) e [PyCBC](https://pycbc.org) usam NumPy e AstroPy internamente para fornecer interfaces baseadas em objetos para utilidades, ferramentas e métodos para o estudo de dados de detectores de ondas gravitacionais. +- Cálculo de correlações +- [Software](https://github.com/lscsoft) fundamental desenvolvido na análise de ondas gravitacionais, como [GwPy](https://gwpy.github.io/docs/stable/overview.html) e [PyCBC](https://pycbc.org) usam NumPy e AstroPy internamente para fornecer interfaces baseadas em objetos para utilidades, ferramentas e métodos para o estudo de dados de detectores de ondas gravitacionais. {{< figure >}} src = '/images/content_images/cs/gwpy-numpy-dep-graph.png' diff --git a/content/pt/citing-numpy.md b/content/pt/citing-numpy.md index f947689548..f73f541896 100644 --- a/content/pt/citing-numpy.md +++ b/content/pt/citing-numpy.md @@ -5,31 +5,31 @@ sidebar: false Se a NumPy é importante na sua pesquisa, e você gostaria de dar reconhecimento ao projeto na sua publicação acadêmica, sugerimos citar os seguintes documentos: -* Harris, C.R., Millman, K.J., van der Walt, S.J. 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). ([Link da editora](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). ([Link da editora](https://www.nature.com/articles/s41586-020-2649-2)). _Em formato BibTeX:_ - ``` +``` @Article{ harris2020array, - title = {Array programming with {NumPy}}, - author = {Charles R. Harris and K. Jarrod Millman and St{'{e}}fan J. - van der Walt and Ralf Gommers and Pauli Virtanen and David - Cournapeau and Eric Wieser and Julian Taylor and Sebastian - Berg and Nathaniel J. Smith and Robert Kern and Matti Picus - and Stephan Hoyer and Marten H. van Kerkwijk and Matthew - Brett and Allan Haldane and Jaime Fern{'{a}}ndez del - R{'{\i}}o and Mark Wiebe and Pearu Peterson and Pierre - G{'{e}}rard-Marchant and Kevin Sheppard and Tyler Reddy and - Warren Weckesser and Hameer Abbasi and Christoph Gohlke and - Travis E. Oliphant}, - year = {2020}, - month = sep, - journal = {Nature}, - volume = {585}, - number = {7825}, - pages = {357--362}, - doi = {10.1038/s41586-020-2649-2}, - publisher = {Springer Science and Business Media {LLC}}, - url = {https://doi.org/10.1038/s41586-020-2649-2} + 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 + Cournapeau and Eric Wieser and Julian Taylor and Sebastian + Berg and Nathaniel J. Smith and Robert Kern and Matti Picus + and Stephan Hoyer and Marten H. van Kerkwijk and Matthew + Brett and Allan Haldane and Jaime Fern{'{a}}ndez del + R{'{\i}}o and Mark Wiebe and Pearu Peterson and Pierre + G{'{e}}rard-Marchant and Kevin Sheppard and Tyler Reddy and + Warren Weckesser and Hameer Abbasi and Christoph Gohlke and + Travis E. Oliphant}, + year = {2020}, + month = sep, + journal = {Nature}, + volume = {585}, + number = {7825}, + pages = {357--362}, + 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/pt/code-of-conduct.md b/content/pt/code-of-conduct.md index 1e2c9e53bb..4b9515189f 100644 --- a/content/pt/code-of-conduct.md +++ b/content/pt/code-of-conduct.md @@ -7,7 +7,7 @@ aliases: ### Introdução -Este código de conduta aplica-se a todos os espaços gerenciados pelo projeto NumPy, incluindo todas as listas de discussão públicas e privadas, *issue tracker*, wikis, blogs, Twitter e qualquer outro canal de comunicação usado pela nossa comunidade. O projeto NumPy não organiza eventos presenciais. No entanto, os eventos relacionados à nossa comunidade devem ter um código de conduta semelhante ao atual. +Este código de conduta aplica-se a todos os espaços gerenciados pelo projeto NumPy, incluindo todas as listas de discussão públicas e privadas, _issue tracker_, wikis, blogs, Twitter e qualquer outro canal de comunicação usado pela nossa comunidade. No entanto, os eventos relacionados à nossa comunidade devem ter um código de conduta semelhante ao atual. Este Código de Conduta deve ser honrado por todas as pessoas que participam da comunidade NumPy formal ou informalmente, ou que reivindicam qualquer afiliação com o projeto, em qualquer atividade relacionada ao projeto, especialmente ao representar o projeto, em qualquer função. @@ -22,16 +22,16 @@ Nós nos esforçamos para: 3. Sermos colaborativos. O nosso trabalho será utilizado por outras pessoas e, por sua vez, dependeremos do trabalho dos outros. Quando fazemos algo em benefício do projeto, estamos dispostos a explicar aos outros como esse algo funciona, para que outros possam desenvolver o trabalho e torná-lo ainda melhor. Qualquer decisão que tomemos afetará nossos usuários e os colegas, e levamos essas consequências a sério quando tomamos decisões. 4. Sermos inquisitivos. Ninguém sabe tudo! Fazer perguntas antecipadamente evita muitos problemas mais tarde, por isso encorajamos as perguntas, embora possamos encaminhá-las para um fórum adequado. Vamos nos esforçar para sermos sensíveis e úteis. 5. Termos cuidado com as palavras que escolhemos. Somos cuidadosos e respeitosos na nossa comunicação e assumimos a responsabilidade pelo nosso próprio discurso. Seja gentil com os outros. Não insulte ou deprecie outros participantes. Nós não aceitaremos assédio ou outros comportamentos exclusivos, como: - * Ameaças ou linguagem violenta direcionadas contra outra pessoa. - * Piadas e linguagem sexista, racista ou discriminatória. - * Postagem de material sexualmente explícito ou violento. - * Postar (ou ameaçar postar) informações pessoais de outras pessoas (“doxing”). - * Compartilhar conteúdo privado, como e-mails enviados de maneira privada ou não-pública, ou fóruns não registrados, como histórico de canais IRC, sem o consentimento do remetente. - * Insultos pessoais, especialmente aqueles que utilizam termos racistas ou sexistas. - * Atenção sexual não consentida. - * Profanidade excessiva. Por favor, evite palavrões; as pessoas diferem muito na sua sensibilidade à linguagem. - * Assédio reiterado. Em geral, se alguém pedir que você pare, então pare. - * Advogar em favor ou encorajar qualquer um dos comportamentos acima. + - Ameaças ou linguagem violenta direcionadas contra outra pessoa. + - Piadas e linguagem sexista, racista ou discriminatória. + - Postagem de material sexualmente explícito ou violento. + - Postar (ou ameaçar postar) informações pessoais de outras pessoas (“doxing”). + - Compartilhar conteúdo privado, como e-mails enviados de maneira privada ou não-pública, ou fóruns não registrados, como histórico de canais IRC, sem o consentimento do remetente. + - Insultos pessoais, especialmente aqueles que utilizam termos racistas ou sexistas. + - Atenção sexual não consentida. + - Profanidade excessiva. Por favor, evite palavrões; as pessoas diferem muito na sua sensibilidade à linguagem. + - Repeated harassment of others. Em geral, se alguém pedir que você pare, então pare. + - Advogar em favor ou encorajar qualquer um dos comportamentos acima. ### Declaração de diversidade @@ -43,7 +43,7 @@ Embora sejamos receptivos às pessoas fluentes em todas as línguas, o desenvolv Padrões de comportamento na comunidade NumPy estão detalhados no Código de Conduta acima. Os participantes da nossa comunidade devem se comportar de acordo com esses padrões em todas as suas interações e ajudar os outros a fazê-lo também (veja a próxima seção). -### Diretrizes de resposta a incidentes +### Reporting Guidelines Sabemos que é mais comum do que o desejado que a comunicação na Internet comece ou se transforme em abusos óbvios e flagrantes. Reconhecemos também que, por vezes, as pessoas podem ter um dia ruim, ou não conhecer algumas das orientações deste Código de Conduta. Tenha isto em mente ao decidir como responder a uma violação deste Código. @@ -53,9 +53,9 @@ Você pode relatar problemas ao Comitê do Código de Conduta NumPy em numpy-con Atualmente, o comitê é formato por: -* Stefan van der Walt -* Melissa Weber Mendonça -* Rohit Goswami +- Stefan van der Walt +- Melissa Weber Mendonça +- Rohit Goswami Se o seu relatório envolve algum membro da comissão, ou se você sentir que existe um conflito de interesses em tratá-lo, então os membros abster-se-ão de considerar o seu relatório. Como alternativa, se por qualquer razão você se sentir desconfortável em fazer um relatório à comissão, então você também pode entrar em contato com a equipe sênior da NumFOCUS em [conduct@numfocus.org](https://numfocus.org/code-of-conduct#persons-responsible). diff --git a/content/pt/community.md b/content/pt/community.md index 7992ff2fd6..23e7fe3aef 100644 --- a/content/pt/community.md +++ b/content/pt/community.md @@ -7,17 +7,17 @@ NumPy é um projeto de código aberto impulsionado pela comunidade desenvolvido Oferecemos vários canais de comunicação para aprender, compartilhar seu conhecimento e se conectar com outros dentro da comunidade NumPy. - ## Participar online -Abaixo, listamos algumas formas de se envolver diretamente com o projeto e a comunidade do NumPy. _Por favor, note que encorajamos os usuários e membros da comunidade a apoiarem-se uns aos outros para perguntas sobre utilização - veja [Obter Ajuda](/gethelp)._ - +Abaixo, listamos algumas formas de se envolver diretamente com o projeto e a comunidade do NumPy. +_Por favor, note que encorajamos os usuários e membros da comunidade a apoiarem-se uns aos outros para perguntas sobre utilização - veja [Obter Ajuda](/gethelp)._ ### [Lista de discussões NumPy](https://mail.python.org/mailman/listinfo/numpy-discussion) -Esta lista é o principal fórum para discussões mais longas, como adicionar novos recursos ao NumPy, fazer alterações no roadmap do NumPy e em todos os tipos de tomada de decisão para todo o projeto. Anúncios sobre o NumPy, como novas versões, reuniões de desenvolvedores, sprints ou palestras de conferência também são feitas nesta lista. +Esta lista é o principal fórum para discussões mais longas, como adicionar novos recursos ao NumPy, fazer alterações no roadmap do NumPy e em todos os tipos de tomada de decisão para todo o projeto. +Anúncios sobre o NumPy, como novas versões, reuniões de desenvolvedores, sprints ou palestras de conferência também são feitas nesta lista. -Nesta lista, por favor, use *bottom posting*, responda à lista (em vez de a outro remetente), e não responda aos *digests*. Um arquivo pesquisável desta lista está disponível [aqui](https://mail.python.org/archives/list/numpy-discussion@python.org/). +Nesta lista, por favor, use _bottom posting_, responda à lista (em vez de a outro remetente), e não responda aos _digests_. Um arquivo pesquisável desta lista está disponível [aqui](https://mail.python.org/archives/list/numpy-discussion@python.org/). *** @@ -33,8 +33,9 @@ _Por favor, note que o GitHub não é o lugar certo para relatar uma vulnerabili ### [Slack](https://numpy-team.slack.com) -Uma sala de bate-papo em tempo real para fazer perguntas sobre _contribuir_ para o NumPy. Este é um fórum privado, especificamente para pessoas hesitantes em levantar suas perguntas ou idéias em uma grande lista de e-mails públicos ou no GitHub. Por favor, clique [aqui](https://numpy.org/devdocs/dev/index.html#contributing-to-numpy) para mais detalhes e como obter um convite. - +Uma sala de bate-papo em tempo real para fazer perguntas sobre _contribuir_ para o NumPy. +Este é um fórum privado, especificamente para pessoas hesitantes em levantar suas perguntas ou idéias em uma grande lista de e-mails públicos ou no GitHub. +Por favor, clique [aqui](https://numpy.org/devdocs/dev/index.html#contributing-to-numpy) para mais detalhes e como obter um convite. ## Grupos de Estudo e Meetups @@ -42,7 +43,6 @@ Se você gostaria de encontrar um encontro ou grupo de estudo local para aprende O NumPy também organiza sprints presenciais para sua equipe e colaboradores interessados ocasionalmente. Estes eventos são normalmente planejados com vários meses de antecedência e serão anunciados na [lista de discussão](https://mail.python.org/mailman/listinfo/numpy-discussion) e no [Twitter](https://twitter.com/numpy_team). - ## Conferências O projeto NumPy não organiza suas próprias conferências. As conferências que tradicionalmente têm sido mais populares com mantenedores, colaboradores e usuários são as conferências SciPy e PyData: @@ -56,7 +56,6 @@ O projeto NumPy não organiza suas próprias conferências. As conferências que Muitas dessas conferências incluem dias de tutorial sobre o NumPy e/ou sprints onde você pode aprender como contribuir com o NumPy ou projetos de código aberto relacionados. - ## Junte-se à comunidade NumPy Para prosperar, o projeto NumPy precisa de sua experiência e entusiasmo. Não é uma pessoa programadora? Sem problemas! Existem muitas maneiras de contribuir com o NumPy. diff --git a/content/pt/config.yaml b/content/pt/config.yaml index 14ab9eed72..0041d0b2ea 100644 --- a/content/pt/config.yaml +++ b/content/pt/config.yaml @@ -19,28 +19,33 @@ params: shell: title: placeholder intro: - - title: Experimentar o NumPy + - + title: Experimentar o NumPy text: Use o shell interativo para testar o NumPy no navegador docslink: Não se esqueça de conferir a documentação. casestudies: title: ESTUDOS DE CASO features: - - title: A Primeira Imagem de um Buraco Negro + - + title: A Primeira Imagem de um Buraco Negro text: Como o NumPy, junto com outras bibliotecas como SciPy e Matplotlib que dependem do NumPy, permitiram ao Event Horizon Telescope gerar a primeira imagem de um buraco negro da história. img: /images/content_images/case_studies/blackhole.png alttext: Primeira imagem de um buraco negro. É um círculo laranja em um fundo preto. url: /pt/case-studies/blackhole-image - - title: Descoberta de Ondas Gravitacionais + - + title: Descoberta de Ondas Gravitacionais text: Em 1916, Albert Einstein previu ondas gravitacionais; 100 anos depois, sua existência foi confirmada pelos cientistas do LIGO usando NumPy. img: /images/content_images/case_studies/gravitional.png alttext: Duas esferas orbitando a si mesmas. Elas deslocam a gravidade em seu entorno. url: /pt/case-studies/gw-discov - - title: Análise Esportiva + - + title: Análise Esportiva text: A análise de críquete está mudando o jogo ao melhorar o desempenho de jogadores e times através de modelagem estatística e análise preditiva. O NumPy possibilita muitas dessas análises. img: /images/content_images/case_studies/sports.jpg alttext: Bola de críquete em um campo verde url: /pt/case-studies/cricket-analytics - - title: Estimação de poses usando deep learning + - + title: Estimação de poses usando deep learning text: DeepLabCut usa o NumPy para acelerar estudos científicos que envolvem comportamento animal para entender melhor o controle motor em várias espécies e escalas de tempo. img: /images/content_images/case_studies/deeplabcut.png alttext: Análise de pose de um guepardo @@ -49,63 +54,84 @@ params: title: ECOSSISTEMA section5: false navbar: - - title: Instalação + - + title: Instalação url: /pt/install - - title: Documentação + - + title: Documentação url: https://numpy.org/doc/stable - - title: Aprenda + - + title: Aprenda url: /pt/learn - - title: Comunidade + - + title: Comunidade url: /pt/community - - title: Sobre + - + title: Sobre url: /pt/about - - title: Notícias + - + title: Notícias url: /pt/news - - title: Contribuir + - + title: Contribuir url: /pt/contribute footer: logo: logo.svg socialmediatitle: "" socialmedia: - - link: https://github.com/numpy/numpy + - + link: https://github.com/numpy/numpy icon: github - - link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng + - + link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng icon: youtube - - link: https://twitter.com/numpy_team - icon: twitter quicklinks: column1: title: "" links: - - text: Instalação + - + text: Instalação link: /pt/install - - text: Documentação + - + text: Documentação link: https://numpy.org/doc/stable - - text: Aprenda + - + text: Aprenda link: /pt/learn - - text: Citando o Numpy + - + text: Citando o Numpy link: /pt/citing-numpy - - text: Roadmap + - + text: Roadmap link: https://numpy.org/neps/roadmap.html column2: links: - - text: Sobre + - + text: Sobre link: /pt/about - - text: Comunidade + - + text: Comunidade link: /pt/community - - text: Pesquisas de usuário + - + text: Pesquisas de usuário link: /pt/user-surveys - - text: Contribuir + - + text: Contribuir link: /pt/contribute - - text: Código de Conduta + - + text: Código de Conduta link: /pt/code-of-conduct column3: links: - - text: Ajuda + - + text: Ajuda link: /pt/gethelp - - text: Termos de uso (EN) + - + text: Termos de uso (EN) link: /pt/terms - - text: Privacidade + - + text: Privacidade link: /pt/privacy - - text: Kit de imprensa + - + text: Kit de imprensa link: /pt/press-kit diff --git a/content/pt/contribute.md b/content/pt/contribute.md index 65b82636b8..1e6a17270c 100644 --- a/content/pt/contribute.md +++ b/content/pt/contribute.md @@ -3,13 +3,17 @@ title: Contribua com o NumPy sidebar: false --- -O projeto NumPy precisa de sua experiência e entusiasmo! Suas opções de não são limitadas à programação -- além de +O projeto NumPy precisa de sua experiência e entusiasmo! +Your choices aren't limited to programming, as you can +see below there are many areas where we need **your** help. Se você não sabe por onde começar ou como suas habilidades podem ajudar, _fale conosco!_ Você pode perguntar na nossa [lista de emails](https://mail.python.org/mailman/listinfo/numpy-discussion) ou [GitHub](http://github.com/numpy/numpy) (abrindo uma [issue](https://github.com/numpy/numpy/issues) ou comentando em uma issue relevante). -Estes são os nossos canais de comunicação preferidos (projetos de código aberto são abertos por natureza!). No entanto, se você preferir discutir em privado, entre em contato com os coordenadores da comunidade em ou no [Slack](https://numpy-team.slack.com) (envie um e-mail para para obter um convite antes de entrar). +No entanto, se você preferir discutir em privado, entre em contato com os coordenadores da comunidade em ou no [Slack](https://numpy-team.slack.com) (envie um e-mail para para obter um convite antes de entrar). -Nós também temos uma _reunião aberta da comunidade_ a cada duas semanas. Os detalhes são anunciados na nossa [lista de emails](https://mail.python.org/mailman/listinfo/numpy-discussion). Convidamos você a participar. Se você nunca contribuiu para projetos de código aberto, recomendamos fortemente que você leita [esse guia](https://opensource.guide/how-to-contribute/). +Os detalhes são anunciados na nossa [lista de emails](https://mail.python.org/mailman/listinfo/numpy-discussion). +You are very welcome to join. +Se você nunca contribuiu para projetos de código aberto, recomendamos fortemente que você leita [esse guia](https://opensource.guide/how-to-contribute/). Nossa comunidade deseja tratar todos da mesma forma e valorizar todas as contribuições. Temos um [Código de Conduta](/pt/code-of-conduct) para promover um ambiente aberto e acolhedor. @@ -17,45 +21,43 @@ Nossa comunidade deseja tratar todos da mesma forma e valorizar todas as contrib Para pessoas programadoras, este [guia](https://numpy.org/devdocs/dev/index.html#development-process-summary) explica como contribuir para a base de código.
Confira também nosso [canal do YouTube](https://www.youtube.com/playlist?list=PLCK6zCrcN3GXBUUzDr9L4__LnXZVtaIzS) para obter informações adicionais. - ### Revisar pull requests + O projeto tem mais de 250 pull requests abertos -- o que significa que muitas potenciais melhorias e muitos contribuidores de código aberto estão aguardando feedback. Se você é uma pessoa programadora que conhece o NumPy, você pode ajudar, mesmo que não tenha familiaridade com o código. Você pode: -* resumir uma discussão longa -* fazer triagem de PRs de documentação -* testar alterações propostas +- resumir uma discussão longa +- fazer triagem de PRs de documentação +- testar alterações propostas ### Desenvolvimento de materiais educacionais -O [Guia do Usuário](https://numpy.org/devdocs) do Numpy está sendo reformado. Precisamos de novos tutoriais, how-to's e de explicações de conceitos, e o site precisa de reestruturação. Oportunidades não se limitam a pessoas com experiência em escrita técnica. Também procuramos exemplos práticos, notebooks e vídeos. A [NEP 44](https://numpy.org/neps/nep-0044-restructuring-numpy-docs.html) explica nossas ideias para reestruturar a documentação do NumPy — talvez você também tenha outras ideias. - +O [Guia do Usuário](https://numpy.org/devdocs) do Numpy está sendo reformado. +Precisamos de novos tutoriais, how-to's e de explicações de conceitos, e o site precisa de reestruturação. Oportunidades não se limitam a pessoas com experiência em escrita técnica. Também procuramos exemplos práticos, notebooks e vídeos. A [NEP 44](https://numpy.org/neps/nep-0044-restructuring-numpy-docs.html) explica nossas ideias para reestruturar a documentação do NumPy — talvez você também tenha outras ideias. ### Triagem de Issues -O [*issue tracker* do NumPy](https://github.com/numpy/numpy/issues) tem _um monte_ de issues abertas. Algumas não são mais válidas, algumas deveriam ser priorizadas, e algumas poderiam ser boas para pessoas que estão procurando sua primeira contribuição. Você pode: +O [_issue tracker_ do NumPy](https://github.com/numpy/numpy/issues) tem _um monte_ de issues abertas. Algumas não são mais válidas, algumas deveriam ser priorizadas, e algumas poderiam ser boas para pessoas que estão procurando sua primeira contribuição. Você pode: Sinta-se à vontade! -* verificar se erros mais antigos ainda estão presentes -* encontrar issues duplicadas e criar links entre issues relacionadas -* adicionar bons exemplos autocontidos que reproduzam issues -* rotular issues corretamente (isso requer direitos de triagem -- basta perguntar) - -Sinta-se à vontade! +- verificar se erros mais antigos ainda estão presentes +- encontrar issues duplicadas e criar links entre issues relacionadas +- adicionar bons exemplos autocontidos que reproduzam issues +- rotular issues corretamente (isso requer direitos de triagem -- basta perguntar) +Please just dive in. ### Desenvolvimento do site Acabamos de renovar o nosso site, mas estamos longe de terminar. Se você adora o desenvolvimento web, estas [issues](https://github.com/numpy/numpy.org/issues?q=is%3Aissue+is%3Aopen+label%3Adesign) listam algumas de nossas necessidades não atendidas -- e sinta-se livre para compartilhar suas próprias ideias. - ### Design gráfico -Nós mal podemos começar a listar as contribuições que uma pessoa com conhecimento em design gráfico pode fazer aqui. Nossa documentação precisa de ilustrações; nosso site crescente precisa de imagens -- há muitas oportunidades. - +Nós mal podemos começar a listar as contribuições que uma pessoa com conhecimento em design gráfico pode fazer aqui. +Nossa documentação precisa de ilustrações; nosso site crescente precisa de imagens -- há muitas oportunidades. ### Traduzir conteúdo do site -Planejamos várias traduções do [numpy.org](https://numpy.org) para tornar o NumPy acessível aos usuários em seu idioma nativo. Tradutores voluntários estão no coração deste esforço. Veja [aqui](https://numpy.org/neps/nep-0028-website-redesign.html#translation-multilingual-i18n) para informações; comente [nesta issue do GitHub](https://github.com/numpy/numpy.org/issues/55) para se envolver. - +Planejamos várias traduções do [numpy.org](https://numpy.org) para tornar o NumPy acessível aos usuários em seu idioma nativo. Volunteer translators are at the heart +of this effort. Tradutores voluntários estão no coração deste esforço. Veja [aqui](https://numpy.org/neps/nep-0028-website-redesign.html#translation-multilingual-i18n) para informações; comente [nesta issue do GitHub](https://github.com/numpy/numpy.org/issues/55) para se envolver. ### Coordenação e promoção na comunidade @@ -63,4 +65,10 @@ Através do contato com a comunidade podemos compartilhar nosso trabalho para ma ### Financiamento -O NumPy foi um projeto totalmente voluntário por muitos anos, mas conforme sua importância cresceu, tornou-se clara a necessidade de apoio financeiro para garantir estabilidade e crescimento. [Esta palestra na SciPy'19](https://www.youtube.com/watch?v=dBTJD_FDVjU) explica quanta diferença esse suporte fez. Como todo o mundo das organizações sem fins lucrativos, nós estamos constantemente procurando bolsas, patrocinadores e outros tipos de apoio. Nós temos uma série de ideias e é claro que nós damos as boas-vindas a mais. Habilidade de buscar financiamento é uma habilidade rara aqui -- apreciaríamos a sua ajuda. +O NumPy foi um projeto totalmente voluntário por muitos anos, mas conforme sua importância cresceu, tornou-se clara a necessidade de apoio financeiro para garantir estabilidade e crescimento. +[Esta palestra na SciPy'19](https://www.youtube.com/watch?v=dBTJD_FDVjU) explica quanta diferença esse suporte fez. Como todo o mundo das organizações sem fins lucrativos, nós estamos constantemente procurando bolsas, patrocinadores e outros tipos de apoio. Nós temos uma série de ideias e é claro que nós damos as boas-vindas a mais. +Habilidade de buscar financiamento é uma habilidade rara aqui -- apreciaríamos a sua ajuda. + +### Donate + +If you'd like to contribute to NumPy by making a donation, visit [https://numpy.org/about/#donate](https://numpy.org/about/#donate). diff --git a/content/pt/gethelp.md b/content/pt/gethelp.md index bba586e7f2..047be9368d 100644 --- a/content/pt/gethelp.md +++ b/content/pt/gethelp.md @@ -3,11 +3,9 @@ title: Obter ajuda sidebar: false --- -**Perguntas de usuários:** A melhor maneira de obter ajuda é postar sua pergunta em um site como [StackOverflow](http://stackoverflow.com/questions/tagged/numpy), com milhares de usuários disponíveis para responder. Outras alternativas incluem [IRC](https://webchat.freenode.net/?channels=%23numpy), [Gitter](https://gitter.im/numpy/numpy)e [Reddit](https://www.reddit.com/r/Numpy/). Gostaríamos de poder ficar de olho nestes sites, ou responder perguntas diretamente, mas o volume é imenso! - **Issues sobre desenvolvimento:** Para assuntos relacionados ao desenvolvimento do NumPy (por exemplo, relatórios de bugs), veja a [Comunidade](/community). - +**Perguntas de usuários:** A melhor maneira de obter ajuda é postar sua pergunta em um site como [StackOverflow](http://stackoverflow.com/questions/tagged/numpy), com milhares de usuários disponíveis para responder. Gostaríamos de poder ficar de olho nestes sites, ou responder perguntas diretamente, mas o volume é imenso! ### [StackOverflow](http://stackoverflow.com/questions/tagged/numpy) @@ -20,15 +18,3 @@ Um fórum para fazer perguntas sobre a utilização da biblioteca, por exemplo: Outro fórum para perguntas de utilização. *** - -### [Gitter](https://gitter.im/numpy/numpy) - -Uma sala de bate-papo em tempo real onde usuários e membros da comunidade se ajudam uns aos outros. - -*** - -### [IRC](https://webchat.freenode.net/?channels=%23numpy) - -Outra sala de bate-papo em tempo real onde usuários e membros da comunidade se ajudam uns aos outros. - -*** diff --git a/content/pt/history.md b/content/pt/history.md index 2ddc33eb57..f62ae9b663 100644 --- a/content/pt/history.md +++ b/content/pt/history.md @@ -3,19 +3,18 @@ title: Histórico do NumPy sidebar: false --- -NumPy é uma biblioteca Python fundamental que fornece estruturas de *arrays* de dados e rotinas numéricas rápidas relacionadas a estas arrays. Quando começou, a biblioteca tinha pouco financiamento e foi escrita principalmente por estudantes de pós-graduação—muitos deles sem educação em ciência da computação e, muitas vezes, sem autorização dos seus orientadores. Imaginar que um pequeno grupo de programadores estudantis "desobedientes" poderiam subverter o já bem estabelecido ecossistema de software de pesquisa - apoiado por milhões em financiamento e muitas centenas de engenheiros altamente qualificados - era absurdo. No entanto, as motivações filosóficas por trás de uma ferramenta totalmente aberta, em combinação com a vibrante, amigável comunidade com foco singular, provaram ser auspiciosas a longo prazo. Hoje em dia, cientistas, engenheiros e muitos outros profissionais ao redor do mundo confiam no NumPy. Por exemplo, os scripts usados e publicados na análise de ondas gravitacionais importam o NumPy, e o projeto de imagem para buraco negro M87 cita diretamente o NumPy. +NumPy é uma biblioteca Python fundamental que fornece estruturas de _arrays_ de dados e rotinas numéricas rápidas relacionadas a estas arrays. Quando começou, a biblioteca tinha pouco financiamento e foi escrita principalmente por estudantes de pós-graduação—muitos deles sem educação em ciência da computação e, muitas vezes, sem autorização dos seus orientadores. Imaginar que um pequeno grupo de programadores estudantis "desobedientes" poderiam subverter o já bem estabelecido ecossistema de software de pesquisa - apoiado por milhões em financiamento e muitas centenas de engenheiros altamente qualificados - era absurdo. No entanto, as motivações filosóficas por trás de uma ferramenta totalmente aberta, em combinação com a vibrante, amigável comunidade com foco singular, provaram ser auspiciosas a longo prazo. Hoje em dia, cientistas, engenheiros e muitos outros profissionais ao redor do mundo confiam no NumPy. Por exemplo, os scripts usados e publicados na análise de ondas gravitacionais importam o NumPy, e o projeto de imagem para buraco negro M87 cita diretamente o NumPy. Para um histórico aprofundado dos marcos no desenvolvimento do NumPy e bibliotecas relacionadas, por favor veja [arxiv.org](arxiv.org/abs/1907.10121). Se você quiser obter uma cópia das bibliotecas Numeric e Numarray, siga os links abaixo: -[Página de download para *Numeric*](https://sourceforge.net/projects/numpy/files/Old%20Numeric/)* +[Página de download para _Numeric_](https://sourceforge.net/projects/numpy/files/Old%20Numeric/)\* -[Página de download para *Numarray*](https://sourceforge.net/projects/numpy/files/Old%20Numarray/)* +[Página de download para _Numarray_](https://sourceforge.net/projects/numpy/files/Old%20Numarray/)\* -*Por favor, note que esses pacotes antigos não são mais mantidos, e os usuários são fortemente aconselhados a usar o NumPy para quaisquer propósitos relacionados a arrays e matrizes ou refatorar qualquer código pré-existente para utilizar a biblioteca do NumPy. +\*Por favor, note que esses pacotes antigos não são mais mantidos, e os usuários são fortemente aconselhados a usar o NumPy para quaisquer propósitos relacionados a arrays e matrizes ou refatorar qualquer código pré-existente para utilizar a biblioteca do NumPy. ### Documentação Histórica -[Baixe o manual do *`Numeric'*](static/numeric-manual.pdf) - +[Baixe o manual do _\`Numeric'_](static/numeric-manual.pdf) diff --git a/content/pt/install.md b/content/pt/install.md index 371bb833af..cf3adf3a9a 100644 --- a/content/pt/install.md +++ b/content/pt/install.md @@ -5,7 +5,8 @@ sidebar: false O único pré-requisito para instalar o NumPy é o próprio Python. Se você ainda não tem o Python e quer começar do jeito mais simples, nós recomendamos que você use a [Distribuição Anaconda](https://www.anaconda.com/distribution) - inclui Python, NumPy e outros pacotes comumente usados para computação científica e ciência de dados. -O NumPy pode ser instalado com `conda`, com `pip`, com um gerenciador de pacotes no macOS e Linux, ou [da fonte](https://numpy.org/devdocs/building). Para obter instruções mais detalhadas, consulte nosso [guia de instalação do Python e do NumPy](#python-numpy-install-guide) abaixo. +O NumPy pode ser instalado com `conda`, com `pip`, com um gerenciador de pacotes no macOS e Linux, ou [da fonte](https://numpy.org/devdocs/building). +Para obter instruções mais detalhadas, consulte nosso [guia de instalação do Python e do NumPy](#python-numpy-install-guide) abaixo. **CONDA** @@ -28,14 +29,14 @@ Se você usa o `pip`, você pode instalar o NumPy com: ```bash pip install numpy ``` -Também ao usar o pip, é uma boa prática usar um ambiente virtual - veja em [Instalações Reprodutíveis](#reproducible-installs) abaixo por quê, e [esse guia](https://dev.to/bowmanjd/python-tools-for-managing-virtual-environments-3bko#howto) para detalhes sobre o uso de ambientes virtuais. +Também ao usar o pip, é uma boa prática usar um ambiente virtual - veja em [Instalações Reprodutíveis](#reproducible-installs) abaixo por quê, e [esse guia](https://dev.to/bowmanjd/python-tools-for-managing-virtual-environments-3bko#howto) para detalhes sobre o uso de ambientes virtuais. # Guia de instalação do Python e do NumPy -Instalar e gerenciar pacotes no Python pode ser complicado. Há várias soluções alternativas para a maioria das tarefas. Este guia tenta dar ao leitor um resumo das melhores (ou mais populares) soluções e dar recomendações claras. Ele se concentra em usuários do Python, NumPy e do PyData (ou computação numérica) em sistemas operacionais e hardware comuns. +Instalar e gerenciar pacotes no Python pode ser complicado. Este guia tenta dar ao leitor um resumo das melhores (ou mais populares) soluções e dar recomendações claras. Ele se concentra em usuários do Python, NumPy e do PyData (ou computação numérica) em sistemas operacionais e hardware comuns. ## Recomendações @@ -49,7 +50,6 @@ Em Windows, macOS e Linux: - Para escrever e executar código, use notebooks no [JupyterLab](https://jupyterlab.readthedocs.io/en/stable/index.html) para a computação exploratória e interativa, e o [Spyder](https://www.spyder-ide.org/) ou [Visual Studio Code](https://code.visualstudio.com/) para escrever scripts e pacotes. - Use o [Anaconda Navigator](https://docs.anaconda.com/anaconda/navigator/) para gerenciar seus pacotes e iniciar o JupyterLab, Spyder ou o Visual Studio Code. - ### Usuários avançados #### Conda @@ -60,18 +60,17 @@ Em Windows, macOS e Linux: #### Alternativa se você preferir pip/PyPI Para usuários que preferem uma solução baseada em pip/PyPI, por preferência pessoal ou leitura sobre as principais diferenças entre o conda e o pip, nós recomendamos: + - Instale o Python a partir de, por exemplo, [python.org](https://www.python.org/downloads/), [Homebrew](https://brew.sh/), ou seu gerenciador de pacotes Linux. - Use [Poetry](https://python-poetry.org/) como a ferramenta mais bem mantida que fornece um resolvedor de dependências e recursos de gerenciamento de ambiente de forma semelhante ao que o conda faz. - ## Gerenciamento de pacotes Python -Gerenciar pacotes é um problema desafiador e, como resultado, há muitas ferramentas. Para o desenvolvimento web e de propósito geral em Python, há uma [série de ferramentas](https://packaging.python.org/guides/tool-recommendations/) complementares com pip. Para computação de alto desempenho (HPC), vale a pena considerar o [Spack](https://github.com/spack/spack). Para computação de alto desempenho (HPC), vale a pena considerar o [Spack](https://github.com/spack/spack). Para a maioria dos usuários NumPy, porém, o [conda](https://conda.io/en/latest/) e o [pip](https://pip.pypa.io/en/stable/) são as duas ferramentas mais populares. - +Gerenciar pacotes é um problema desafiador e, como resultado, há muitas ferramentas. Para o desenvolvimento web e de propósito geral em Python, há uma [série de ferramentas](https://packaging.python.org/guides/tool-recommendations/) complementares com pip. Para computação de alto desempenho (HPC), vale a pena considerar o [Spack](https://github.com/spack/spack). Para a maioria dos usuários NumPy, porém, o [conda](https://conda.io/en/latest/) e o [pip](https://pip.pypa.io/en/stable/) são as duas ferramentas mais populares. ### Pip & conda -As duas principais ferramentas que instalam pacotes do Python são `pip` e `conda`. Algumas de suas funcionalidades são redundantes (por exemplo, ambos podem instalar o `numpy`). No entanto, elas também podem trabalhar juntas. Vamos discutir as principais diferenças entre o pip e o conda aqui - é importante entender isso se você deseja gerenciar pacotes de forma efetiva. +As duas principais ferramentas que instalam pacotes do Python são `pip` e `conda`. Algumas de suas funcionalidades são redundantes (por exemplo, ambos podem instalar o `numpy`). Vamos discutir as principais diferenças entre o pip e o conda aqui - é importante entender isso se você deseja gerenciar pacotes de forma efetiva. A primeira diferença é que "conda" é multilinguagens e pode instalar o Python, enquanto o pip é instalado em um determinado Python em seu sistema e instala outros pacotes apenas para essa mesma instalação de Python. Isto também significa que o conda pode instalar bibliotecas e ferramentas não-Python das quais você pode precisar (por exemplo, compiladores, CUDA, HDF5), enquanto pip não pode. @@ -83,7 +82,7 @@ A terceira diferença é que o conda é uma solução integrada para gerenciar p ### Instalações reprodutíveis -À medida que as bibliotecas são atualizadas, os resultados obtidos ao executar seu código podem mudar, ou o seu código pode parar de funcionar. É importante poder reconstruir o conjunto de pacotes e versões que você está usando. A recomendação é: +À medida que as bibliotecas são atualizadas, os resultados obtidos ao executar seu código podem mudar, ou o seu código pode parar de funcionar. É importante poder reconstruir o conjunto de pacotes e versões que você está usando. Best practice is to: 1. usar um ambiente diferente para cada projeto em que você trabalha, 2. gravar nomes de pacotes e versões usando seu instalador de pacotes; cada um tem seu próprio formato de metadados para essa tarefa: @@ -91,17 +90,17 @@ A terceira diferença é que o conda é uma solução integrada para gerenciar p - Pip: [ambientes virtuais](https://docs.python.org/3/tutorial/venv.html) e [requirements.txt](https://pip.readthedocs.io/en/latest/user_guide/#requirements-files) - Poetry: [ambientes virtuais e pyproject.toml](https://python-poetry.org/docs/basic-usage/) - - ## Pacotes NumPy & bibliotecas de álgebra linear aceleradas -O NumPy não depende de quaisquer outros pacotes Python. No entanto, depende de uma biblioteca de álgebra linear acelerada - tipicamente [Intel MKL](https://software.intel.com/en-us/mkl) ou [OpenBLAS](https://www.openblas.net/). Os usuários não precisam se preocupar com a instalação desses pacotes (eles são incluídos automaticamente em todos os métodos de instalação do NumPy). No entanto, usuários experientes podem querer saber os detalhes, porque o BLAS usado pode afetar o desempenho, o comportamento e o tamanho em disco: +No entanto, depende de uma biblioteca de álgebra linear acelerada - tipicamente [Intel MKL](https://software.intel.com/en-us/mkl) ou [OpenBLAS](https://www.openblas.net/). Os usuários não precisam se preocupar com a instalação desses pacotes (eles são incluídos automaticamente em todos os métodos de instalação do NumPy). +No entanto, usuários experientes podem querer saber os detalhes, porque o BLAS usado pode afetar o desempenho, o comportamento e o tamanho em disco: -- As wheels da NumPy no PyPI, que é o que o pip instala, são compiladas com OpenBLAS. As bibliotecas da OpenBLAS são empacotadas dentro da wheel. Isso faz com que a wheel fique maior, e se um usário também instalar (por exemplo) a SciPy, terá agora duas cópias da OpenBLAS no disco. +- As wheels da NumPy no PyPI, que é o que o pip instala, são compiladas com OpenBLAS. + As bibliotecas da OpenBLAS são empacotadas dentro da wheel. Isso faz com que a wheel fique maior, e se um usário também instalar (por exemplo) a SciPy, terá agora duas cópias da OpenBLAS no disco. - No canal defaults do conda, a NumPy é compilada com a Intel MKL. MKL é um pacote separado que será instalado no ambiente do usuário quando instalar a NumPy. -- No canal do conda-Forge, a NumPy é compilada com um pacote "BLAS" fictício. Quando um usuário instala o NumPy do conda-forge, esse pacote BLAS então é instalado juntamente com a biblioteca real - o padrão é OpenBLAS, mas também pode ser MKL (do canal defaults), ou até mesmo [BLIS](https://github.com/flame/blis) ou *reference BLAS*. +- No canal do conda-Forge, a NumPy é compilada com um pacote "BLAS" fictício. Quando um usuário instala o NumPy do conda-forge, esse pacote BLAS então é instalado juntamente com a biblioteca real - o padrão é OpenBLAS, mas também pode ser MKL (do canal defaults), ou até mesmo [BLIS](https://github.com/flame/blis) ou _reference BLAS_. - O pacote MKL é muito maior que o OpenBLAS, ocupa cerca de 700 MB no disco enquanto OpenBLAS ocupa cerca de 30 MB. @@ -112,7 +111,6 @@ Além do tamanho instalado, desempenho e robustez, há mais duas coisas a se con - A Intel MKL não é de código aberto. Para uso normal isto não é um problema, mas se um usuário precisa redistribuir uma aplicação compilada com a NumPy, isso pode ser um problema. - Tanto MKL quanto OpenBLAS usarão multi-threading para chamadas de função como `np.dot`, com o número de threads sendo determinado tanto por uma opção no momento da compilação quanto por uma variável de ambiente. Muitas vezes, todos os núcleos de CPU serão usados. Isto é, às vezes, inesperado para usuários; o NumPy em si não paraleliza automaticamente nenhuma chamada de função. Normalmente, isso produz melhor desempenho, mas também pode ser prejudicial - por exemplo, ao usar outro nível de paralelização com Dask, scikit-learn ou multiprocessamento. - ## Solução de problemas Se sua instalação falhar com a mensagem abaixo, consulte [Solucionando ImportError](https://numpy.org/doc/stable/user/troubleshooting-importerror.html). @@ -123,4 +121,3 @@ IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE! Importing the numpy c-extensions failed. This error can happen for different reasons, often due to issues with your setup. ``` - diff --git a/content/pt/learn.md b/content/pt/learn.md index f49c82dff1..c5290c33d6 100644 --- a/content/pt/learn.md +++ b/content/pt/learn.md @@ -15,26 +15,26 @@ Há uma tonelada de informações sobre o NumPy lá fora. Se você está começa **Tutoriais** -* [NumPy Quickstart Tutorial (Tutorial de Início Rápido)](https://numpy.org/devdocs/user/quickstart.html) -* [NumPy Tutorials](https://numpy.org/numpy-tutorials) Uma coleção de tutoriais e materiais educacionais no formato de Notebooks Jupyter desenvolvidos e mantidos pelo time de documentação do NumPy. Se você tiver interesse em adicionar o seu próprio conteúdo, verifique o repositório [numpy-tutorials no GitHub](https://github.com/numpy/numpy-tutorials). -* [NumPy Illustrated: The Visual Guide to NumPy *por Lev Maximov*](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b) -* [Scientific Python Lectures](https://lectures.scientific-python.org/) Além de incluir conteúdo sobre a NumPy, estas aulas oferecem uma introdução mais ampla ao ecossistema científico do Python. -* [NumPy: the absolute basics for beginners ("o básico absoluto para inciantes")](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 (Guia de Usuário NumPy)](https://numpy.org/devdocs) +- [NumPy Quickstart Tutorial (Tutorial de Início Rápido)](https://numpy.org/devdocs/user/quickstart.html) +- [NumPy Tutorials](https://numpy.org/numpy-tutorials) Uma coleção de tutoriais e materiais educacionais no formato de Notebooks Jupyter desenvolvidos e mantidos pelo time de documentação do NumPy. Se você tiver interesse em adicionar o seu próprio conteúdo, verifique o repositório [numpy-tutorials no GitHub](https://github.com/numpy/numpy-tutorials). +- [NumPy Illustrated: The Visual Guide to NumPy _por Lev Maximov_](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b) +- [Scientific Python Lectures](https://lectures.scientific-python.org/) Além de incluir conteúdo sobre a NumPy, estas aulas oferecem uma introdução mais ampla ao ecossistema científico do Python. +- [NumPy: the absolute basics for beginners ("o básico absoluto para inciantes")](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 (Guia de Usuário NumPy)](https://numpy.org/devdocs) **Livros** -* [Guide to NumPy *de Travis E. Oliphant*](http://web.mit.edu/dvp/Public/numpybook.pdf) Essa é uma versão free de 2006. Para a última versão (2015) veja [aqui](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-Iglesias, Stefan van der Walt, e Harriet Dashnow* +- [Guide to NumPy _de Travis E. Oliphant_](http://web.mit.edu/dvp/Public/numpybook.pdf) Essa é uma versão free de 2006. Para a última versão (2015) veja [aqui](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-Iglesias, Stefan van der Walt, e Harriet Dashnow_ Você também pode querer conferir a [lista Goodreads](https://www.goodreads.com/shelf/show/python-scipy) sobre o tema "Python+SciPy. A maioria dos livros lá serão sobre o "ecossistema SciPy", que tem o NumPy em sua essência. **Vídeos** -* [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 @@ Experimente esses recursos avançados para uma melhor compreensão dos conceitos **Tutoriais** -* [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) Uma coleção de tutoriais e materiais educacionais no formato de Notebooks Jupyter desenvolvidos e mantidos pelo time de documentação do NumPy. Se você tiver interesse em adicionar o seu próprio conteúdo, verifique o repositório [numpy-tutorials no 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) Uma coleção de tutoriais e materiais educacionais no formato de Notebooks Jupyter desenvolvidos e mantidos pelo time de documentação do NumPy. Se você tiver interesse em adicionar o seu próprio conteúdo, verifique o repositório [numpy-tutorials no GitHub](https://github.com/numpy/numpy-tutorials). **Livros** -* [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_ **Vídeos** -* [Advanced NumPy - broadcasting rules, strides, and advanced indexing](https://www.youtube.com/watch?v=cYugp9IN1-Q) *por Juan Nunuz-Iglesias* +- [Advanced NumPy - broadcasting rules, strides, and advanced indexing](https://www.youtube.com/watch?v=cYugp9IN1-Q) _por Juan Nunuz-Iglesias_ *** ## Palestras sobre 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](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) *** diff --git a/content/pt/news.md b/content/pt/news.md index e972a74130..ef1b58c059 100644 --- a/content/pt/news.md +++ b/content/pt/news.md @@ -1,22 +1,77 @@ --- title: Notícias sidebar: false -newsHeader: "NumPy versão 1.26.0" +newsHeader: NumPy versão 1.22.0 date: 2023-09-16 --- +### NumPy versão 1.19.0 + +_18 Aug, 2024_ -- NumPy 2.1.0 provides support for Python 3.13 and +drops support for Python 3.9. In addition to the usual bug fixes and +updated Python support, it helps get NumPy back to its usual release +cycle after the extended development of 2.0. Os destaques desta versão são: + +- Support for Python 3.13. +- Preliminary support for free threaded Python 3.13. +- Support for the array-api 2023.12 standard. + +Ainda há trabalho a se fazer no upstream, mas a maior parte do trabalho está feita. + ### Lançado o NumPy versão 1.26.0 +_16 Jun, 2024_ -- NumPy 2.0.0 is the first major release since 2006. It is the +result of 11 months of development since the last feature release and is the +work of 212 contributors spread over 1078 pull requests. It contains a large +number of exciting new features as well as changes to both the Python and C +APIs. It includes breaking changes that could not happen in a regular minor +release - including an ABI break, changes to type promotion rules, and API +changes which may not have been emitting deprecation warnings in 1.26.x. Key +documents related to how to adapt to changes in NumPy 2.0 include: + +- The [NumPy 2.0 migration guide](https://numpy.org/devdocs/numpy_2_0_migration_guide.html) +- The [2.0.0 release notes](https://numpy.org/devdocs/release/2.0.0-notes.html) +- Announcement issue for status updates: [numpy#24300](https://github.com/numpy/numpy/issues/24300) + +The blog post ["NumPy 2.0: an evolutionary milestone"](https://blog.scientific-python.org/numpy/numpy2/) +tells a bit of the story about how this release came together. + +### NumPy 2.0 release date: June 16 + +_23 May, 2024_ -- We are excited to announce that NumPy 2.0 is planned to be +released on June 16, 2024. This release has been over a year in the making, and +is the first major release since 2006. Importantly, in addition to many new +features and performance improvement, it contains **breaking changes** to the +ABI as well as the Python and C APIs. 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`. **Please see the following for more details:** + +- The [NumPy 2.0 migration guide](https://numpy.org/devdocs/numpy_2_0_migration_guide.html) +- The [2.0.0 release notes](https://numpy.org/devdocs/release/2.0.0-notes.html) +- Announcement issue for status updates: [numpy#24300](https://github.com/numpy/numpy/issues/24300) + +### NumFOCUS end of the year fundraiser + +_Dec 19, 2023_ -- NumFOCUS has teamed up with PyCharm during their EOY campaign to offer a 30% discount +on first-time PyCharm licenses. All year-one revenue from PyCharm purchases from now +until December 23rd, 2023 will go directly to the NumFOCUS programs. + +Use unique URL that will allow to track purchases https://lp.jetbrains.com/support-data-science/ +or a coupon code ISUPPORTDATASCIENCE  + +### NumPy versão 1.26.0 + _16 de setembro de 2023_ -- [NumPy 1.26.0](https://numpy.org/doc/stable/release/1.26.0-notes.html) está disponível. Os destaques desta versão são: -* Suporte ao Python 3.12.0. -* Compatibilidade com Cython 3.0.0. -* Utilização do sistema Meson para compilação -* Suport a SIMD atualizado -* Melhorias para f2py, suporte a meson e bind(x) -* Suporte à versão mais recente da biblioteca Accelerate BLAS/LAPACK +- Suporte ao Python 3.12.0. +- Compatibilidade com Cython 3.0.0. +- Utilização do sistema Meson para compilação +- Suport a SIMD atualizado +- Melhorias para f2py, suporte a meson e bind(x) +- Suporte à versão mais recente da biblioteca Accelerate BLAS/LAPACK -A versão 1.26.0 é uma continuação da série de versões 1.25.x que marcam a transição para o sistema de compilação Meson e oferecem suporte preliminar para o Cython 3.0.0. Um total de 20 pessoas contribuíram para este lançamento e 59 pull requests foram incorporadas. +A versão 1.26.0 é uma continuação da série de versões 1.25.x que marcam a transição para o sistema de compilação Meson e oferecem suporte preliminar para o Cython 3.0.0. +Um total de 20 pessoas contribuíram para este lançamento e 59 pull requests foram incorporadas. As versões do Python suportadas por esta versão são 3.9-3.12. @@ -25,33 +80,39 @@ As versões do Python suportadas por esta versão são 3.9-3.12. _2 de agosto de 2023_ -- numpy.org agora está disponível em 2 idiomas adicionais: japonês e português. Isto não seria possível sem nossos voluntários dedicados: _Português:_ -* Melissa Weber Mendonça (melissawm) -* Ricardo Prins (ricardoprins) -* Getúlio Silva (getuliosilva) -* Julio Batista Silva (jbsilva) -* Alexandre de Siqueira (alexdesiqueira) -* Alexandre B A Villares (villares) -* Vini Salazar (vinisalazar) + +- Melissa Weber Mendonça (melissawm) +- Ricardo Prins (ricardoprins) +- Getúlio Silva (getuliosilva) +- Julio Batista Silva (jbsilva) +- Alexandre de Siqueira (alexdesiqueira) +- Alexandre B A Villares (villares) +- Vini Salazar (vinisalazar) Japonês: -* 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) O trabalho na infraestrutura de traduções é financiado pela CZI. -No futuro, adoraríamos traduzir o site para mais línguas. Se você quiser ajudar, por favor entre em contato com o time de traduções do NumPy no Slack: -https://join.slack.com/t/numpy-team/shared_invite/zt-1gokbq56s-bvEpo10Ef7aHbVtVFeZv2w. (Procure pelo canal #translations) +No futuro, adoraríamos traduzir o site para mais línguas. +Se você quiser ajudar, por favor entre em contato com o time de traduções do NumPy no Slack: +https://join.slack.com/t/numpy-team/shared_invite/zt-1gokbq56s-bvEpo10Ef7aHbVtVFeZv2w. +(Look for the #translations channel.) (Procure pelo canal #translations) Também estamos organizando um time de tradutores que serão responsáveis por trabalhar na localização da documentação e conteúdo educacional para o ecossistema Scientific Python. Se esse trabalho te interessa, junte-se a nós no Discord do projeto Scientific Python: https://discord.gg/khWtqY6RKr. (Procure pelo canal #translation) +### NumPy versão 1.23.0 + _17 de junho, 2023_ -- [NumPy 1.25.0](https://numpy.org/doc/stable/release/1.25.0-notes.html) está disponível agora. Os destaques desta versão são: -* Suporte para MUSL, agora existem rodas MUSL. -* Suporte para o compilador Fujitsu C/C++. -* Arrays de objetos agora são suportados em einsum. -* Suporte para a multiplicação da matriz inplace (`@=`). +- Suporte para MUSL, agora existem rodas MUSL. +- Suporte para o compilador Fujitsu C/C++. +- Arrays de objetos agora são suportados em einsum. +- Suporte para a multiplicação da matriz inplace (`@=`). A versão 1.25.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade e execução, e na documentação. Também tem havido trabalho preparatório para a futura versão 2.0.0, resultando em um grande número de depreciações novas e expiradas. @@ -63,7 +124,8 @@ As versões do Python suportadas por esta versão são 3.9-3.11. _10 de maio de 2023_ -- Promovendo uma Cultura Inclusiva: Chamada de Participação -Como podemos ser melhores quando se trata de diversidade e de inclusão? Leia o relatório e descubra como colaborar [aqui](https://contributor-experience.org/docs/posts/dei-report/). +Como podemos ser melhores quando se trata de diversidade e de inclusão? +Leia o relatório e descubra como colaborar [aqui](https://contributor-experience.org/docs/posts/dei-report/). ### Transição de liderança do time de documentação do NumPy @@ -73,42 +135,48 @@ _6 de janeiro de 2023_ –- Mukulika Pahari e Ross Barnowski são nomeados como _18 de dezembro de 2022_ -- [NumPy 1.24.0](https://numpy.org/doc/stable/release/1.24.0-notes.html) está agora disponível. Os destaques desta versão são: -* Novas palavras-chave "dtype" e "casting" para funções que atuam com stacking. -* Novas funcionalidades e correções do F2PY. -* Muitas depreciações novas, confira. -* Muitas depreciações expiradas. +- Novas palavras-chave "dtype" e "casting" para funções que atuam com stacking. +- Novas funcionalidades e correções do F2PY. +- Muitas depreciações novas, confira. +- Muitas depreciações expiradas. -A versão 1.24.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade e execução, e na documentação. Há um grande número de depreciações novas e expiradas devido a mudanças na promoção de dtypes e limpezas no código. É o trabalho de 177 contribuidores espalhados em 444 pull requests. As versões suportadas do Python são 3.8-3.11. +A versão 1.24.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade e execução, e na documentação. +Há um grande número de depreciações novas e expiradas devido a mudanças na promoção de dtypes e limpezas no código. É o trabalho de 177 contribuidores espalhados em 444 pull requests. As versões suportadas do Python são 3.8-3.11. -### NumPy versão 1.23.0 +### Numpy 1.23.0 released _22 de junho de 2022_ -- O [NumPy 1.23.0](https://numpy.org/doc/stable/release/1.23.0-notes.html) está disponível. Os destaques desta versão são: -* Implementação de `loadtxt` em C, melhorando muito seu desempenho. -* Exposição do DLPack ao nível de Python para facilitar a troca de dados. -* Mudanças na promoção e comparações de dtypes estruturados. -* Melhorias no f2py. +- Implementação de `loadtxt` em C, melhorando muito seu desempenho. +- Exposição do DLPack ao nível de Python para facilitar a troca de dados. +- Mudanças na promoção e comparações de dtypes estruturados. +- Melhorias no f2py. -A versão 1.23.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade de execução, na documentação e na expiração de depreciações. É o trabalho de 151 contribuidores espalhados em 494 pull requests. As versões do Python suportadas por esta versão 3.8-3.10. Python 3.11 será suportado quando chegar na etapa rc. +A versão 1.23.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade de execução, na documentação e na expiração de depreciações. É o trabalho de 151 contribuidores espalhados em 494 pull requests. As versões do Python suportadas por esta versão 3.8-3.10. +Python 3.11 será suportado quando chegar na etapa rc. ### Pesquisa NumFOCUS DEI: chamada para participação -_13 de abril de 2022_ -- O NumPy está trabalhando com a [NumFOCUS](http://numfocus.org/) em um [projeto de pesquisa](https://numfocus.org/diversity-inclusion-disc/a-pivotal-time-in-numfocuss-project-aimed-dei-efforts?eType=EmailBlastContent&eId=f41a86c3-60d4-4cf9-86cf-58eb49dc968c) financiado pela [Gordon & Betty Moore Foundation](https://www.moore.org/) para entender as barreiras à participação que contribuidores, especialmente aqueles de grupos historicamente subrepresentados, enfrentam na comunidade open source. A equipe da pesquisa gostaria de falar com novos colaboradores, desenvolvedores e mantenedores, e aqueles que contribuíram no passado sobre suas experiências contribuindo para o NumPy. +_13 de abril de 2022_ -- O NumPy está trabalhando com a [NumFOCUS](http://numfocus.org/) em um [projeto de pesquisa](https://numfocus.org/diversity-inclusion-disc/a-pivotal-time-in-numfocuss-project-aimed-dei-efforts?eType=EmailBlastContent\&eId=f41a86c3-60d4-4cf9-86cf-58eb49dc968c) financiado pela [Gordon & Betty Moore Foundation](https://www.moore.org/) para entender as barreiras à participação que contribuidores, especialmente aqueles de grupos historicamente subrepresentados, enfrentam na comunidade open source. A equipe da pesquisa gostaria de falar com novos colaboradores, desenvolvedores e mantenedores, e aqueles que contribuíram no passado sobre suas experiências contribuindo para o NumPy. **Quer compartilhar suas experiências?** Por favor, preencha este breve formulário: ["Participant Interest form"](https://numfocus.typeform.com/to/WBWVJSqe) que contém informações adicionais sobre os objetivos da pesquisa, privacidade e considerações de confidencialidade. Sua participação será valiosa para o crescimento e sustentabilidade de comunidades de software open source diversas e inclusivas. Os participantes aceitos participarão de uma entrevista de 30 minutos com um membro da equipe de pesquisa. -### NumPy versão 1.22.0 +### Numpy 1.22.0 release -_31 de dezembro de 2021_ -- [NumPy 1.22.0](https://numpy.org/doc/stable/release/1.22.0-notes.html) está agora disponível. Os destaques desta versão são: +_31 de dezembro de 2021_ -- [NumPy 1.22.0](https://numpy.org/doc/stable/release/1.22.0-notes.html) está agora disponível. The highlights of the release are: -* Anotações de tipo do namespace principal estão praticamente completas. Ainda há trabalho a se fazer no upstream, mas a maior parte do trabalho está feita. Esta é provavelmente a melhoria mais visível para os usuários nesta versão. -* Uma versão preliminar da proposta do [array API Standard](https://data-apis.org/array-api/latest/) está disponível (veja [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html)). Este é um passo na criação de uma coleção padrão de funções que podem ser compartilhadas entre bibliotecas como CuPy e JAX. -* NumPy agora tem um backend de DLPack. DLPack fornece um formato comum de compartilhamento para dados de arrays (tensores). -* Novos métodos para `quantile`, `percentile`, e funções relacionadas. Os novos métodos fornecem um conjunto completo dos métodos comumente encontrados na literatura. -* As funções universais foram refatoradas para implementar a maior parte da [NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html). Isso também desbloqueia a capacidade de experimentar a futura API DType. -* Um novo alocador de memória configurável para uso pelos projetos downstream. +- Anotações de tipo do namespace principal estão praticamente completas. Upstream is + a moving target, so there will likely be further improvements, but the major + work is done. Esta é provavelmente a melhoria mais visível para os usuários nesta versão. +- Uma versão preliminar da proposta do [array API Standard](https://data-apis.org/array-api/latest/) está disponível (veja [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html)). + Este é um passo na criação de uma coleção padrão de funções que podem ser compartilhadas entre bibliotecas como CuPy e JAX. +- NumPy agora tem um backend de DLPack. DLPack fornece um formato comum de compartilhamento para dados de arrays (tensores). +- Novos métodos para `quantile`, `percentile`, e funções relacionadas. Os novos métodos fornecem um conjunto completo dos métodos comumente encontrados na literatura. +- As funções universais foram refatoradas para implementar a maior parte da [NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html). + Isso também desbloqueia a capacidade de experimentar a futura API DType. +- Um novo alocador de memória configurável para uso pelos projetos downstream. NumPy 1.22.0 é uma versão importante com o trabalho de 153 contribuidores espalhados por mais de 609 pull requests. As versões do Python suportadas por esta versão são 3.8-3.10. @@ -120,18 +188,19 @@ Como parte do programa [CZI's Essential Open Source Software for Science](https: Esse é um projeto ambicioso que visa descobrir e implementar atividades que devem estruturalmente melhorar a dinâmica da comunidade de nossos projetos. Ao criar essas novas funções entre projetos, esperamos introduzir um novo modelo de colaboração às comunidades de Python científico, permitir que o trabalho de construção da comunidade no ecossistema seja feito de forma mais eficiente e com maiores resultados. Também esperamos desenvolver uma imagem mais clara do que funciona e o que não funciona em nossos projetos para engajar e reter novos colaboradores, especialmente de grupos historicamente sub-representados. Finalmente, planejamos produzir relatórios detalhados sobre as ações executadas, explicando como eles afetaram nossos projetos em termos de representação e interação com nossas comunidades. -O projeto de dois anos deverá começar em novembro de 2021 e estamos animados para ver os resultados deste trabalho! [Você pode ler a proposta completa aqui](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063). +O projeto de dois anos deverá começar em novembro de 2021 e estamos animados para ver os resultados deste trabalho! +[Você pode ler a proposta completa aqui](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063). ### Pesquisa NumPy 2021 -_12 de julho de 2021_ -- Nós do NumPy acreditamos no poder da nossa comunidade. 1,236 usuários do NumPy de 75 países participaram da nossa primeira pesquisa ano passado. Os resultados da pesquisa nos ajudaram a compreender muito bem o que devemos fazer pelos 12 meses seguintes. +_12 de julho de 2021_ -- Nós do NumPy acreditamos no poder da nossa comunidade. 1,236 usuários do NumPy de 75 países participaram da nossa primeira pesquisa ano passado. +Os resultados da pesquisa nos ajudaram a compreender muito bem o que devemos fazer pelos 12 meses seguintes. Chegou a hora de fazer outra pesquisa e estamos contando com você novamente. Vai levar cerca de 15 minutos do seu tempo. Além de Inglês, o questionário de pesquisa está disponível em 8 idiomas adicionais: Bangla, Francês, Hindi, Japonês, Mandarim, Português, Russo e Espanhol. Siga o link para começar: https://berkeley.qualtrics.com/jfe/form/SV_aaOONjgcBXDSl4q. - -### NumPy versão 1.19.0 +### Numpy 1.21.0 release _23 de junho de 2021_ -- O [NumPy 1.21.0](https://numpy.org/doc/stable/release/1.21.0-notes.html) está disponível. Os destaques desta versão são: @@ -144,15 +213,14 @@ _23 de junho de 2021_ -- O [NumPy 1.21.0](https://numpy.org/doc/stable/release/1 Esta versão do NumPy é o resultado de 581 pull requests aceitos, a partir das contribuições de 175 pessoas. As versões do Python suportadas por esta versão são 3.7-3.9; o suporte para o Python 3.10 será adicionado após o lançamento do Python 3.10. - ### Resultados da pesquisa NumPy 2020 _22 de junho de 2021_ -- Em 2020, o time de pesquisas NumPy, em parceria com estudantes e professores da Universidade de Michigan e da Universidade de Maryland, realizou a primeira pesquisa oficial sobre a comunidade NumPy. Encontre os resultados da pesquisa aqui: https://numpy.org/user-survey-2020/. - ### NumPy versão 1.20.0 _30 de janeiro de 2021_ -- O [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) está disponível. Este é o maior lançamento do NumPy até hoje, graças a mais de 180 colaboradores. As duas novidades mais emocionantes são: + - Anotações de tipos para grandes partes do NumPy, e um novo submódulo `numpy.typing` contendo aliases `ArrayLike` e `DtypeLike` que usuários e bibliotecas downstream podem usar quando quiserem adicionar anotações de tipos em seu próprio código. - Otimizações de compilação SIMD multi-plataforma, com suporte para instruções x86 (SSE, AVX), ARM64 (Neon) e PowerPC (VSX). Isso rendeu melhorias significativas de desempenho para muitas funções (exemplos: [sen/cos](https://github.com/numpy/numpy/pull/17587), [einsum](https://github.com/numpy/numpy/pull/18194)). @@ -160,48 +228,50 @@ _30 de janeiro de 2021_ -- O [NumPy 1.20.0](https://numpy.org/doc/stable/release _20 de setembro de 2020_ -- Escrevemos uma [declaração sobre o estado da diversidade e inclusão no projeto NumPy e discussões em redes sociais sobre isso.](/diversity_sep2020). - ### Primeiro artigo oficial do NumPy publicado na Nature! -_16 de setembro de 2020_ -- Temos o prazer de anunciar a publicação do [primeiro artigo oficial do NumPy](https://www.nature.com/articles/s41586-020-2649-2) como um artigo de revisão na Nature. Isso ocorre 14 anos após o lançamento do NumPy 1.0. O artigo abrange aplicações e conceitos fundamentais da programação de matrizes, o rico ecossistema científico de Python construído em cima do NumPy, e os protocolos de array recentemente adicionados para facilitar a interoperabilidade com bibliotecas externas para computação com matrizes e tensores, como CuPy, Dask e JAX. - +_16 de setembro de 2020_ -- Temos o prazer de anunciar a publicação do [primeiro artigo oficial do NumPy](https://www.nature.com/articles/s41586-020-2649-2) como um artigo de revisão na Nature. Isso ocorre 14 anos após o lançamento do NumPy 1.0. +O artigo abrange aplicações e conceitos fundamentais da programação de matrizes, o rico ecossistema científico de Python construído em cima do NumPy, e os protocolos de array recentemente adicionados para facilitar a interoperabilidade com bibliotecas externas para computação com matrizes e tensores, como CuPy, Dask e JAX. ### O Python 3.9 está chegando, quando o NumPy vai liberar wheels binárias? _14 de setembro de 2020_ -- Python 3.9 será lançado em algumas semanas. Se você for quiser usar imediatamente a nova versão do Python, você pode ficar desapontado ao descobrir que o NumPy (e outros pacotes binários como SciPy) não terão wheels no dia do lançamento. É um grande esforço adaptar a infraestrutura de compilação a uma nova versão de Python e normalmente leva algumas semanas para que os pacotes apareçam no PyPI e no conda-forge. Em preparação para este evento, por favor, certifique-se de + - atualizar seu `pip` para a versão 20.1 pelo menos para suportar `manylinux2010` e `manylinux2014` - usar [`--only-binary=numpy`](https://pip.pypa.io/en/stable/reference/pip_install/#cmdoption-only-binary) ou `--only-binary=:all:` para impedir `pip` de tentar compilar a partir do código fonte. - ### NumPy versão 1.19.2 -_10 de setembro de 2020_ -- O [NumPy 1.19.2](https://numpy.org/devdocs/release/1.19.2-notes.html) está disponível. Essa última versão da série 1.19 corrige vários bugs, inclui preparações para o lançamento [do Cython 3](http://docs.cython.org/en/latest/src/changes.html) e fixa o setuptools para que o distutils continue funcionando enquanto modificações upstream estão sendo feitas. As wheels para aarch64 são compiladas com manylinux2014 mais recente que conserta um problema com distribuições linux diferentes. +_10 de setembro de 2020_ -- O [NumPy 1.19.2](https://numpy.org/devdocs/release/1.19.2-notes.html) está disponível. +Essa última versão da série 1.19 corrige vários bugs, inclui preparações para o lançamento [do Cython 3](http://docs.cython.org/en/latest/src/changes.html) e fixa o setuptools para que o distutils continue funcionando enquanto modificações upstream estão sendo feitas. +As wheels para aarch64 são compiladas com manylinux2014 mais recente que conserta um problema com distribuições linux diferentes. ### A primeira pesquisa NumPy está aqui! -_2 de julho de 2020_ -- Esta pesquisa tem como objetivo guiar e definir prioridades para tomada de decisões sobre o desenvolvimento do NumPy como software e como comunidade. A pesquisa está disponível em mais 8 idiomas além do inglês: Bangla, Hindi, Japonês, Mandarim, Português, Russo, Espanhol e Francês. +_2 de julho de 2020_ -- Esta pesquisa tem como objetivo guiar e definir prioridades para tomada de decisões sobre o desenvolvimento do NumPy como software e como comunidade. +A pesquisa está disponível em mais 8 idiomas além do inglês: Bangla, Hindi, Japonês, Mandarim, Português, Russo, Espanhol e Francês. Ajude-nos a melhorar o NumPy respondendo à pesquisa [aqui](https://umdsurvey.umd.edu/jfe/form/SV_8bJrXjbhXf7saAl). - ### O NumPy tem um novo logo! _24 de junho de 2020_ -- NumPy agora tem um novo logo: -NumPy logo + O logotipo é uma versão moderna do antigo, com um design mais limpo. Obrigado à Isabela Presedo-Floyd por projetar o novo logotipo, bem como ao Travis Vaught pelo o logotipo antigo que nos serviu bem durante mais de 15 anos. - ### NumPy versão 1.19.0 _20 de junho de 2020_ -- O NumPy 1.19.0 está disponível. Esta é a primeira versão sem suporte ao Python 2, portanto foi uma "versão de limpeza". A versão mínima de Python suportada agora é Python 3.6. Uma característica nova importante é que a infraestrutura de geração de números aleatórios que foi introduzida na NumPy 1.17.0 agora está acessível a partir do Cython. - ### Aceitação no programa Season of Docs -_11 de maio de 2020_ -- O NumPy foi aceito como uma das organizações mentoras do programa Google Season of Docs. Estamos animados com a oportunidade de trabalhar com um *technical writer* para melhorar a documentação do NumPy mais uma vez! Para mais detalhes, consulte [o site oficial do programa Season of Docs](https://developers.google.com/season-of-docs/) e nossa [página de ideias](https://github.com/numpy/numpy/wiki/Google-Season-of-Docs-2020-Project-Ideas). - +_11 de maio de 2020_ -- O NumPy foi aceito como uma das organizações mentoras do programa Google Season of Docs. Estamos animados com a oportunidade de trabalhar com um _technical writer_ para melhorar a documentação do NumPy mais uma vez! Para mais detalhes, consulte [o site oficial do programa Season of Docs](https://developers.google.com/season-of-docs/) e nossa [página de ideias](https://github.com/numpy/numpy/wiki/Google-Season-of-Docs-2020-Project-Ideas). ### NumPy versão 1.18.0 @@ -209,22 +279,27 @@ _22 de dezembro de 2019_ -- O NumPy 1.18.0 está disponível. Após as principai Por favor, veja as [notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.0) para mais detalhes. - ### O NumPy recebe financiamento da Chan Zuckerberg Initiative _15 de novembro de 2019_ -- Estamos felizes em anunciar que o NumPy e a OpenBLAS, uma das dependências-chave do NumPy, receberam um auxílio conjunto de $195,000 da Chan Zuckerberg Initiative através do seu programa [Essential Open Source Software for Science](https://chanzuckerberg.com/eoss/) que apoia a manutenção, crescimento, desenvolvimento e envolvimento da comunidade em ferramentas de código aberto fundamentais para a ciência. -Este auxílio será usado para aumentar os esforços de melhoria da documentação do NumPy, reformulação do site, desenvolvimento comunitário para melhor servir a nossa grande, e rapidamente crescente, base de usuários, assim como para garantir a sustentabilidade do projeto a longo prazo. Enquanto a equipe OpenBLAS se concentrará em tratar de um conjunto de questões técnicas fundamentais, em particular relacionadas a *thread-safety*, AVX-512, e *thread-local storage* (TLS), bem como melhorias algorítmicas na ReLAPACK (Recursive LAPACK) da qual a OpenBLAS depende. +Este auxílio será usado para aumentar os esforços de melhoria da documentação do NumPy, reformulação do site, desenvolvimento comunitário para melhor servir a nossa grande, e rapidamente crescente, base de usuários, assim como para garantir a sustentabilidade do projeto a longo prazo. Enquanto a equipe OpenBLAS se concentrará em tratar de um conjunto de questões técnicas fundamentais, em particular relacionadas a _thread-safety_, AVX-512, e _thread-local storage_ (TLS), bem como melhorias algorítmicas na ReLAPACK (Recursive LAPACK) da qual a OpenBLAS depende. Mais detalhes sobre nossas propostas e resultados esperados podem ser encontrados na [proposta completa de concessão de auxílio](https://figshare.com/articles/Proposal_NumPy_OpenBLAS_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/10302167). O trabalho está agendado para começar no dia 1 de dezembro de 2019 e continuar pelos próximos 12 meses. - ## Lançamentos Aqui está uma lista de versões do NumPy, com links para notas de lançamento. Bugfix lança (apenas o `z` muda no `x.y.` número da versão) não tem novos recursos; versões menores (o `y` aumenta) sim. +- NumPy 2.1.1 ([release notes](https://github.com/numpy/numpy/releases/tag/v2.1.1)) -- _3 Sep 2024_. +- NumPy 2.0.2 ([release notes](https://github.com/numpy/numpy/releases/tag/v2.0.2)) -- _26 Aug 2024_. +- NumPy 2.1.0 ([release notes](https://github.com/numpy/numpy/releases/tag/v2.1.0)) -- _18 Aug 2024_. +- NumPy 2.0.1 ([release notes](https://github.com/numpy/numpy/releases/tag/v2.0.1)) -- _21 Jul 2024_. +- NumPy 2.0.0 ([release notes](https://github.com/numpy/numpy/releases/tag/v2.0.0)) -- _16 Jun 2024_. +- NumPy 1.26.4 ([release notes](https://github.com/numpy/numpy/releases/tag/v1.26.4)) -- _5 Feb 2024_. +- NumPy 1.26.3 ([release notes](https://github.com/numpy/numpy/releases/tag/v1.26.3)) -- _2 Jan 2024_. - NumPy 1.26.2 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.26.2)) -- _12 de novembro de 2023_. - NumPy 1.26.1 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.26.1)) -- _14 de outubro de 2023_. - NumPy 1.26.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.26.0)) -- _16 de setembro de 2023_. diff --git a/content/pt/report-handling-manual.md b/content/pt/report-handling-manual.md index 14418d0e11..cedb1d4c5a 100644 --- a/content/pt/report-handling-manual.md +++ b/content/pt/report-handling-manual.md @@ -7,44 +7,40 @@ Este é o manual seguido pelo Comitê do Código de Conduta do NumPy. É usado q Garantir que o [Código de Conduta](/code-of-conduct) seja respeitado afeta nossa comunidade hoje e no futuro. É uma ação que levamos muito a sério. Ao analisar medidas de aplicação do Código de Conduta, o Comitê terá em mente os seguintes valores e orientações: -* Agir de forma pessoal e não impessoal. O Comitê pode levar as partes a compreender a situação, respeitando simultaneamente a privacidade e a necessária confidencialidade das pessoas relatantes. No entanto, por vezes, é necessário comunicar diretamente com um ou mais indivíduos: o objetivo do Comitê é melhorar a saúde da nossa comunidade, em vez de produzir apenas uma decisão formal. -* Enfatizar empatia pelos indivíduos ao invés de julgar o comportamento, evitando rótulos binários de "bom" e "mau". Existem atos de agressão e assédio claros e visíveis, e vamos abordá-los com firmeza. Mas muitos cenários que podem ser desafiadores são aqueles em que as discordâncias normais se transformam em comportamento desnecessário ou prejudicial de várias partes. Compreender o contexto completo e encontrar um caminho que traga um entendimento entre as partes é difícil, mas, em última análise, é o resultado mais produtivo para a nossa comunidade. -* Compreendemos que o e-mail é um meio difícil e que pode causar uma sensação de isolamento. Receber críticas por e-mail, sem contato pessoal, pode ser particularmente doloroso. Isto faz com que seja especialmente importante manter um clima de respeito aberto pelas opiniões dos outros. Significa também que temos de ser transparentes nas nossas ações, e que faremos tudo o que estiver ao nosso alcance para garantir que todos os nossos membros sejam tratados de forma justa e com simpatia. -* A discriminação pode ser sutil e pode ser inconsciente. Pode revelar-se em tratamentos injustos e hostis em interações que normalmente seriam ordinárias. Sabemos que isso acontece, e teremos o cuidado de ter isso em mente. Gostaríamos muito de ouvir se você acha que foi tratado injustamente, e usaremos esses procedimentos para garantir que a sua reclamação seja ouvida e abordada. -* Ajudar a aumentar o envolvimento em uma boa prática de discussão: tentar identificar onde a discussão pode ter falhado, e fornecer informações úteis, indicadores e recursos que podem levar a mudanças positivas nestes pontos. -* Estar ciente das necessidades de novos membros: fornecer-lhes apoio e consideração explícitos, com o objetivo de aumentar a participação de grupos sub-representados, em particular. -* As pessoas vêm de meios culturais e linguísticos diferentes. Tentar identificar quaisquer mal-entendidos honestos causados por falantes não-nativos e ajudá-los a entender a questão e o que pode ser modificado para evitar causar ofensa. Uma discussão complexa numa língua estrangeira pode ser muito intimidante, e queremos aumentar a nossa diversidade também entre nacionalidades e culturas. - +- Agir de forma pessoal e não impessoal. O Comitê pode levar as partes a compreender a situação, respeitando simultaneamente a privacidade e a necessária confidencialidade das pessoas relatantes. No entanto, por vezes, é necessário comunicar diretamente com um ou mais indivíduos: o objetivo do Comitê é melhorar a saúde da nossa comunidade, em vez de produzir apenas uma decisão formal. +- Enfatizar empatia pelos indivíduos ao invés de julgar o comportamento, evitando rótulos binários de "bom" e "mau". Existem atos de agressão e assédio claros e visíveis, e vamos abordá-los com firmeza. Mas muitos cenários que podem ser desafiadores são aqueles em que as discordâncias normais se transformam em comportamento desnecessário ou prejudicial de várias partes. Compreender o contexto completo e encontrar um caminho que traga um entendimento entre as partes é difícil, mas, em última análise, é o resultado mais produtivo para a nossa comunidade. +- Compreendemos que o e-mail é um meio difícil e que pode causar uma sensação de isolamento. Receber críticas por e-mail, sem contato pessoal, pode ser particularmente doloroso. Isto faz com que seja especialmente importante manter um clima de respeito aberto pelas opiniões dos outros. Significa também que temos de ser transparentes nas nossas ações, e que faremos tudo o que estiver ao nosso alcance para garantir que todos os nossos membros sejam tratados de forma justa e com simpatia. +- A discriminação pode ser sutil e pode ser inconsciente. Pode revelar-se em tratamentos injustos e hostis em interações que normalmente seriam ordinárias. Sabemos que isso acontece, e teremos o cuidado de ter isso em mente. Gostaríamos muito de ouvir se você acha que foi tratado injustamente, e usaremos esses procedimentos para garantir que a sua reclamação seja ouvida e abordada. +- Ajudar a aumentar o envolvimento em uma boa prática de discussão: tentar identificar onde a discussão pode ter falhado, e fornecer informações úteis, indicadores e recursos que podem levar a mudanças positivas nestes pontos. +- Estar ciente das necessidades de novos membros: fornecer-lhes apoio e consideração explícitos, com o objetivo de aumentar a participação de grupos sub-representados, em particular. +- As pessoas vêm de meios culturais e linguísticos diferentes. Tentar identificar quaisquer mal-entendidos honestos causados por falantes não-nativos e ajudá-los a entender a questão e o que pode ser modificado para evitar causar ofensa. Uma discussão complexa numa língua estrangeira pode ser muito intimidante, e queremos aumentar a nossa diversidade também entre nacionalidades e culturas. ## Mediação -A mediação informal voluntária é um instrumento à nossa disposição. Em contextos em que duas ou mais partes escalaram ao ponto de demonstrarem comportamento inapropriado (algo tristemente comum no conflito humano), poderá ser útil facilitar um processo de mediação. Isto é apenas um exemplo: em todo caso, o Comitê pode considerar a mediação, tendo em conta que o processo se destina a ser estritamente voluntário e que nenhuma das partes pode ser pressionada a participar. Se o Comitê sugerir mediação, deve: +A mediação informal voluntária é um instrumento à nossa disposição. Em contextos em que duas ou mais partes escalaram ao ponto de demonstrarem comportamento inapropriado (algo tristemente comum no conflito humano), poderá ser útil facilitar um processo de mediação. Isto é apenas um exemplo: em todo caso, o Comitê pode considerar a mediação, tendo em conta que o processo se destina a ser estritamente voluntário e que nenhuma das partes pode ser pressionada a participar. This is only an example: the Committee can consider mediation in any case, mindful that the process is meant to be strictly voluntary and no party can be pressured to participate. Se o Comitê sugerir mediação, deve: -* Encontrar uma pessoa candidata que possa servir de mediadora. -* Obter o acordo da(s) pessoa(s) relatante(s). A(s) pessoa(s) relatante(s) têm total liberdade para recusar a ideia de mediação ou propor um mediador alternativo. -* Obter o acordo da(s) pessoa(s) relatada(s). -* Estabelecer uma pessoa mediadora: enquanto as partes podem propor um mediador diferente da pessoa sugerida, o processo só poderá avançar se for alcançado um acordo comum em todos os termos. -* Estabelecer um cronograma para a mediação ser concluida, idealmente dentro de duas semanas. +- Encontrar uma pessoa candidata que possa servir de mediadora. +- Obter o acordo da(s) pessoa(s) relatada(s). A(s) pessoa(s) relatante(s) têm total liberdade para recusar a ideia de mediação ou propor um mediador alternativo. +- Obter o acordo da(s) pessoa(s) relatante(s). +- Estabelecer uma pessoa mediadora: enquanto as partes podem propor um mediador diferente da pessoa sugerida, o processo só poderá avançar se for alcançado um acordo comum em todos os termos. +- Estabelecer um cronograma para a mediação ser concluida, idealmente dentro de duas semanas. A pessoa mediadora entrará em contato com todas as partes e procurará uma resolução satisfatória para todos. Após a sua conclusão, a pessoa mediadora apresentará ao Comitê um relatório (examinado por todas as partes envolvidas no processo) com recomendações sobre outras medidas. O Comitê avaliará então esses resultados (em caso de resolução satisfatória ou não) e decidirá sobre quaisquer medidas adicionais consideradas necessárias. - ## Como o Comitê responderá aos relatórios Quando o Comitê (ou um membro do Comitê) recebe um relatório, será inicialmente determinado se o relatório é sobre uma violação clara e severa (como definido abaixo). Em caso afirmativo, medidas imediatas serão tomadas para além do processo regular de tratamento dos relatórios. - ## Ações claras e severas de violação Sabemos que é mais comum do que o desejado que a comunicação na Internet comece ou se transforme em abusos óbvios e flagrantes. Trataremos rapidamente de violações claras e severas como ameaças pessoais, linguagem violenta, sexista ou racista. Quando um membro do Comitê do Código de Conduta tomar conhecimento de uma violação clara e grave, fará o seguinte: -* Desligará imediatamente a pessoa originadora de todos os canais de comunicação do NumPy. -* Responderá à pessoa relatante para informá-la que seu relatório foi recebido e que a pessoa originadora foi desligada. -* Em todos os casos, a pessoa moderadora deve fazer um esforço razoável para entrar em contato com a pessoa originadora, e dizer-lhes especificamente como sua linguagem ou ações se qualificam como uma "violação clara e severa". A pessoa moderadora deve também dizer que, se a pessoa originadora considerar que isso é injusto ou quiser ser reconectada ao NumPy, tem o direito de solicitar uma revisão, de acordo com as disposições do Comitê do Código de Conduta. A pessoa moderadora deve copiar esta explicação para o Comitê do Código de Conduta. -* O Comitê do Código de Conduta procederá formalmente à análise e decisão em todos os casos em que este mecanismo tenha sido aplicado para garantir que não seja utilizado para controlar desentendimentos acalorados comuns. - +- Desligará imediatamente a pessoa originadora de todos os canais de comunicação do NumPy. +- Responderá à pessoa relatante para informá-la que seu relatório foi recebido e que a pessoa originadora foi desligada. +- Em todos os casos, a pessoa moderadora deve fazer um esforço razoável para entrar em contato com a pessoa originadora, e dizer-lhes especificamente como sua linguagem ou ações se qualificam como uma "violação clara e severa". A pessoa moderadora deve também dizer que, se a pessoa originadora considerar que isso é injusto ou quiser ser reconectada ao NumPy, tem o direito de solicitar uma revisão, de acordo com as disposições do Comitê do Código de Conduta. A pessoa moderadora deve copiar esta explicação para o Comitê do Código de Conduta. +- O Comitê do Código de Conduta procederá formalmente à análise e decisão em todos os casos em que este mecanismo tenha sido aplicado para garantir que não seja utilizado para controlar desentendimentos acalorados comuns. ## Tratamento de relatórios @@ -54,10 +50,10 @@ Se um relatório não contiver informações suficientes, o Comitê obterá todo O Comitê analisará então o incidente e determinará, do melhor jeito possível: -* O que aconteceu. -* Se este evento constitui ou não uma violação do Código de Conduta. -* Quem são as pessoas responsáveis. -* Se se trata de uma situação contínua, e existe uma ameaça para a segurança física de alguém. +- O que aconteceu. +- Se este evento constitui ou não uma violação do Código de Conduta. +- Quem são as pessoas responsáveis. +- Se se trata de uma situação contínua, e existe uma ameaça para a segurança física de alguém. Estas informações serão recolhidas por escrito e, sempre que possível, as deliberações do grupo serão gravadas e armazenadas (por exemplo, transcrições de conversas, discussões por e-mail, chamadas gravadas de videoconferência, resumos de conversas por voz, etc). @@ -65,31 +61,29 @@ Estas informações serão recolhidas por escrito e, sempre que possível, as de O Comitê do Código de Conduta deve ter por objetivo chegar a um acordo sobre uma resolução no prazo de duas semanas. Caso uma resolução não possa ser determinada nesse período, o Comitê responderá à(s) pessoa(s) relatante(s) com uma atualização e cronograma previsto para a resolução. - ## Resoluções O Comitê tem de chegar a um acordo sobre uma resolução por consenso. Se o grupo não conseguir chegar a um consenso e permanece bloqueado durante mais de uma semana, o grupo encaminhará o assunto para o Conselho Diretor para resolução. Possíveis respostas podem incluir: -* Não tomar nenhuma outra ação: - - se determinarmos que não ocorreram violações; - - se a questão tiver sido resolvida publicamente enquanto o Comitê estava considerando uma resposta. -* Coordenação de mediação voluntária: se todas as partes envolvidas concordarem, o Comitê poderá facilitar um processo de mediação, conforme detalhado acima. -* Salientar publicamente que alguns comportamentos, ações ou linguagem foram julgados inapropriados ou podem ser considerados danosos para algumas pessoas, explicando por que no contexto atual e solicitando que a comunidade se auto-ajuste. -* Uma advertência privada do Comitê para a(s) pessoa(s) envolvida(s). Neste caso, a pessoa presidente do Comitê irá entregar essa advertência à(s) pessoa(s) por e-mail, em cópia (CC) ao grupo. -* Uma advertência pública. Neste caso, a pessoa presidente do Comitê vai apresentar essa advertência no mesmo fórum em que ocorreu a violação, dentro dos limites da viabilidade. Exemplo: a lista original para uma violação de e-mail, mas para uma discussão em sala de bate-papo onde a pessoa/contexto pode sumir, isto pode ser feito por outros meios. O grupo pode optar por publicar esta mensagem em outro local para fins de documentação. -* Um pedido de desculpas públicas ou privadas, supondo que a(s) pessoa(s) relatante(s) concorde(m) com esta ideia: a(s) pessoa(s) pode(m), a seu critério, recusar contatos adicionais com a pessoa relatada. A Presidência dará seguimento a este pedido. O Comitê, se escolher, pode anexar condições adicionais a este pedido inicial: por exemplo, o grupo pode pedir à pessoa relatada que se desculpe para que tenha o direito de manter a sua adesão a uma lista de e-mails. -* Um “acordo mútuo de trégua” onde o Comitê solicita à pessoa que se abstenha temporariamente da participação na comunidade. Se a pessoa optar por não fazer uma pausa temporária voluntariamente, o Comitê pode aplicar um “período de afastamento obrigatório”. -* Um banimento permanente ou temporário de alguns ou todos os espaços do NumPy (listas de e-mails, gitter.im, etc.). O grupo manterá registro de todas essas proibições, para que elas possam ser revistas no futuro ou mantidas. +- Não tomar nenhuma outra ação: + - se determinarmos que não ocorreram violações; + - se a questão tiver sido resolvida publicamente enquanto o Comitê estava considerando uma resposta. +- Coordenação de mediação voluntária: se todas as partes envolvidas concordarem, o Comitê poderá facilitar um processo de mediação, conforme detalhado acima. +- Salientar publicamente que alguns comportamentos, ações ou linguagem foram julgados inapropriados ou podem ser considerados danosos para algumas pessoas, explicando por que no contexto atual e solicitando que a comunidade se auto-ajuste. +- Uma advertência privada do Comitê para a(s) pessoa(s) envolvida(s). Neste caso, a pessoa presidente do Comitê irá entregar essa advertência à(s) pessoa(s) por e-mail, em cópia (CC) ao grupo. +- Uma advertência pública. Neste caso, a pessoa presidente do Comitê vai apresentar essa advertência no mesmo fórum em que ocorreu a violação, dentro dos limites da viabilidade. Exemplo: a lista original para uma violação de e-mail, mas para uma discussão em sala de bate-papo onde a pessoa/contexto pode sumir, isto pode ser feito por outros meios. O grupo pode optar por publicar esta mensagem em outro local para fins de documentação. +- Um pedido de desculpas públicas ou privadas, supondo que a(s) pessoa(s) relatante(s) concorde(m) com esta ideia: a(s) pessoa(s) pode(m), a seu critério, recusar contatos adicionais com a pessoa relatada. A Presidência dará seguimento a este pedido. O Comitê, se escolher, pode anexar condições adicionais a este pedido inicial: por exemplo, o grupo pode pedir à pessoa relatada que se desculpe para que tenha o direito de manter a sua adesão a uma lista de e-mails. +- Um “acordo mútuo de trégua” onde o Comitê solicita à pessoa que se abstenha temporariamente da participação na comunidade. Se a pessoa optar por não fazer uma pausa temporária voluntariamente, o Comitê pode aplicar um “período de afastamento obrigatório”. +- Um banimento permanente ou temporário de alguns ou todos os espaços do NumPy (listas de e-mails, gitter.im, etc.). O grupo manterá registro de todas essas proibições, para que elas possam ser revistas no futuro ou mantidas. Uma vez aprovada uma resolução, mas antes de ser efetivamente aplicada, o Comitê entrará em contato com a pessoa relatante original e quaisquer outras partes afetadas e explicará a resolução proposta. O Comitê perguntará se esta resolução é aceitável e terá de tomar nota da sua resposta para registro futuro. -Finalmente, o Comitê apresentará um relatório ao Conselho Diretor do NumPy (bem como ao time *core* do NumPy no caso de uma resolução em curso, como um banimento). +Finalmente, o Comitê apresentará um relatório ao Conselho Diretor do NumPy (bem como ao time _core_ do NumPy no caso de uma resolução em curso, como um banimento). O Comitê nunca discutirá publicamente a questão; todas as declarações públicas serão feitas pela pessoa presidente do Comitê do Código de Conduta ou pelo Conselho Diretor do NumPy. - ## Conflitos de Interesse Em caso de conflito de interesses, um membro do Comitê deve notificar imediatamente os outros membros e abdicar de sua participação no processo caso seja necessário. diff --git a/content/pt/tabcontents.yaml b/content/pt/tabcontents.yaml index 5f0b4cad28..319ef1a632 100644 --- a/content/pt/tabcontents.yaml +++ b/content/pt/tabcontents.yaml @@ -1,280 +1,373 @@ params: machinelearning: paras: - - para1: O NumPy forma a base de bibliotecas de aprendizagem de máquina poderosas como [scikit-learn](https://scikit-learn.org) e [SciPy](https://www.scipy.org). À medida que a disciplina de aprendizagem de máquina cresce, a lista de bibliotecas construidas a partir do NumPy também cresce. As funcionalidades de deep learning do [TensorFlow](https://www.tensorflow.org) tem diversas aplicações — entre elas, reconhecimento de imagem e de fala, aplicações baseadas em texto, análise de séries temporais, e detecção de vídeo. O [PyTorch](https://pytorch.org), outra biblioteca de deep learning, é popular entre pesquisadores em visão computacional e processamento de linguagem natural. O [MXNet](https://github.com/apache/incubator-mxnet) é outro pacote de IA, que fornece templates e protótipos para deep learning. + - + para1: O NumPy forma a base de bibliotecas de aprendizagem de máquina poderosas como [scikit-learn](https://scikit-learn.org) e [SciPy](https://www.scipy.org). À medida que a disciplina de aprendizagem de máquina cresce, a lista de bibliotecas construidas a partir do NumPy também cresce. As funcionalidades de deep learning do [TensorFlow](https://www.tensorflow.org) tem diversas aplicações — entre elas, reconhecimento de imagem e de fala, aplicações baseadas em texto, análise de séries temporais, e detecção de vídeo. O [PyTorch](https://pytorch.org), outra biblioteca de deep learning, é popular entre pesquisadores em visão computacional e processamento de linguagem natural. O [MXNet](https://github.com/apache/incubator-mxnet) é outro pacote de IA, que fornece templates e protótipos para deep learning. para2: Técnicas estatísticas chamadas métodos de [ensemble](https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205) tais como binning, bagging, stacking, e boosting estão entre os algoritmos de ML implementados por ferramentas tais como [XGBoost](https://github.com/dmlc/xgboost), [LightGBM](https://lightgbm.readthedocs.io/en/latest/), e [CatBoost](https://catboost.ai) — um dos motores de inferência mais rápidos. [Yellowbrick](https://www.scikit-yb.org/en/latest/) e [Eli5](https://eli5.readthedocs.io/en/latest/) oferecem visualizações para aprendizagem de máquina. arraylibraries: intro: - - text: A API do NumPy é o ponto de partida quando bibliotecas são escritas para explorar hardware inovador, criar tipos de arrays especializados, ou adicionar capacidades além do que o NumPy fornece. + - + text: A API do NumPy é o ponto de partida quando bibliotecas são escritas para explorar hardware inovador, criar tipos de arrays especializados, ou adicionar capacidades além do que o NumPy fornece. headers: - - text: Biblioteca de Arrays - - text: Recursos e áreas de aplicação + - + text: Biblioteca de Arrays + - + text: Recursos e áreas de aplicação libraries: - - title: Dask + - + title: Dask text: Arrays distribuídas e paralelismo avançado para análise, permitindo desempenho em escala. img: /images/content_images/arlib/dask.png alttext: Dask url: https://dask.org/ - - title: CuPy + - + title: CuPy text: Biblioteca de matriz compatível com NumPy para computação acelerada pela GPU com Python. img: /images/content_images/arlib/cupy.png alttext: CuPy url: https://cupy.chainer.org - - title: JAX + - + title: JAX text: "Transformações combináveis de programas NumPy: vetorização, compilação just-in-time para GPU/TPU." img: /images/content_images/arlib/jax_logo_250px.png alttext: JAX url: https://github.com/google/jax - - title: Xarray + - + title: Xarray text: Arrays multidimensionais rotuladas e indexadas para análise e visualização avançadas img: /images/content_images/arlib/xarray.png alttext: xarray url: https://xarray.pydata.org/en/stable/index.html - - title: Sparse + - + title: Sparse text: Biblioteca de arrays compatíveis com o NumPy que pode ser integrada com Dask e álgebra linear esparsa da SciPy. img: /images/content_images/arlib/sparse.png alttext: sparse url: https://sparse.pydata.org/en/latest/ - - title: PyTorch + - + title: PyTorch text: Framework de deep learning que acelera o caminho entre prototipação de pesquisa e colocação em produção. img: /images/content_images/arlib/pytorch-logo-dark.svg alttext: PyTorch url: https://pytorch.org/ - - title: TensorFlow + - + title: TensorFlow text: Uma plataforma completa para aprendizagem de máquina que permite construir e colocar em produção aplicações usando ML facilmente. img: /images/content_images/arlib/tensorflow-logo.svg alttext: TensorFlow url: https://www.tensorflow.org - - title: MXNet + - + title: MXNet text: Framework de deep learning voltado para flexibilizar prototipação em pesquisa e produção. img: /images/content_images/arlib/mxnet_logo.png alttext: MXNet url: https://mxnet.apache.org/ - - title: Arrow + - + title: Arrow text: Uma plataforma de desenvolvimento multi-linguagens para dados e análise para dados armazenados em colunas na memória. img: /images/content_images/arlib/arrow.png alttext: arrow url: https://github.com/apache/arrow - - title: xtensor + - + title: xtensor text: Arrays multidimensionais com broadcasting e avaliação preguiçosa (lazy computing) para análise numérica. img: /images/content_images/arlib/xtensor.png alttext: xtensor url: https://github.com/xtensor-stack/xtensor-python - - title: Awkward Array + - + title: Awkward Array text: Manipulação de dados JSON-like com sintaxe NumPy-like. img: /images/content_images/arlib/awkward.svg alttext: awkward url: https://awkward-array.org/ - - title: uarray + - + title: uarray text: Sistema de backend Python que dissocia a API da implementação; unumpy fornece uma API NumPy. img: /images/content_images/arlib/uarray.png alttext: uarray url: https://uarray.org/en/latest/ - - title: tensorly - text: Ferramentas para aprendizagem com tensores, algebra e backends para usar NumPy, MXNet, PyTorch, TensorFlow ou CuPy sem esforço. - img: /images/content_images/arlib/tensorly.png - alttext: tensorly - url: http://tensorly.org/stable/home.html scientificdomains: intro: - - text: Quase todos os cientistas que trabalham em Python se baseiam na potência do NumPy. - - text: "NumPy traz o poder computacional de linguagens como C e Fortran para Python, uma linguagem muito mais fácil de aprender e usar. Com esse poder vem a simplicidade: uma solução no NumPy é frequentemente clara e elegante." + - + text: Quase todos os cientistas que trabalham em Python se baseiam na potência do NumPy. + - + text: "NumPy traz o poder computacional de linguagens como C e Fortran para Python, uma linguagem muito mais fácil de aprender e usar. Com esse poder vem a simplicidade: uma solução no NumPy é frequentemente clara e elegante." libraries: - - title: Computação quântica + - + title: Computação quântica alttext: Um chip de computador. img: /images/content_images/sc_dom_img/quantum_computing.svg links: - - url: http://qutip.org + - + url: http://qutip.org label: QuTiP - - url: https://pyquil-docs.rigetti.com/en/stable + - + url: https://pyquil-docs.rigetti.com/en/stable label: PyQuil - - url: https://qiskit.org + - + url: https://qiskit.org label: Qiskit - - url: https://pennylane.ai + - + url: https://pennylane.ai label: PennyLane - - title: Computação estatística + - + title: Computação estatística alttext: Um gráfico com uma linha em movimento para cima. img: /images/content_images/sc_dom_img/statistical_computing.svg links: - - url: https://pandas.pydata.org/ + - + url: https://pandas.pydata.org/ label: Pandas - - url: https://www.statsmodels.org/ + - + url: https://www.statsmodels.org/ label: statsmodels - - url: https://xarray.pydata.org/en/stable/ + - + url: https://xarray.pydata.org/en/stable/ label: Xarray - - url: https://seaborn.pydata.org/ + - + url: https://seaborn.pydata.org/ label: Seaborn - - title: Processamento de sinais + - + title: Processamento de sinais alttext: Um gráfico de barras com valores positivos e negativos. img: /images/content_images/sc_dom_img/signal_processing.svg links: - - url: https://www.scipy.org/ + - + url: https://www.scipy.org/ label: SciPy - - url: https://pywavelets.readthedocs.io/ + - + url: https://pywavelets.readthedocs.io/ label: PyWavelets - - url: https://python-control.org/ + - + url: https://python-control.org/ label: python-control - - url: https://hyperspy.org/ + - + url: https://hyperspy.org/ label: HiperSpy - - title: Processamento de imagens + - + title: Processamento de imagens alttext: Uma fotografia das montanhas. + img: /images/content_images/sc_dom_img/image_processing.svg links: - - url: https://scikit-image.org/ + - + url: https://scikit-image.org/ label: Scikit-image - - url: https://opencv.org/ + - + url: https://opencv.org/ label: OpenCV - - url: https://mahotas.rtfd.io/ + - + url: https://mahotas.rtfd.io/ label: Mahotas - img: /images/content_images/sc_dom_img/image_processing.svg - - title: Gráficos e Redes + - + title: Gráficos e Redes alttext: Um grafo simples. img: /images/content_images/sc_dom_img/sd6.svg links: - - url: https://networkx.org/ + - + url: https://networkx.org/ label: NetworkX - - url: https://graph-tool.skewed.de/ + - + url: https://graph-tool.skewed.de/ label: graph-tool - - url: https://igraph.org/python/ + - + url: https://igraph.org/python/ label: igraph - - url: https://pygsp.rtfd.io/ + - + url: https://pygsp.rtfd.io/ label: PyGSP - - title: Processos de Astronomia + - + title: Processos de Astronomia alttext: Um telescópio. img: /images/content_images/sc_dom_img/astronomy_processes.svg links: - - url: https://www.astropy.org/ + - + url: https://www.astropy.org/ label: AstroPy - - url: https://sunpy.org/ + - + url: https://sunpy.org/ label: SunPy - - url: https://spacepy.github.io/ + - + url: https://spacepy.github.io/ label: SpacePy - - title: Psicologia Cognitiva + - + title: Psicologia Cognitiva alttext: Uma cabeça humana com engrenagens. img: /images/content_images/sc_dom_img/cognitive_psychology.svg links: - - url: https://www.psychopy.org/ + - + url: https://www.psychopy.org/ label: PsychoPy - - title: Bioinformática + - + title: Bioinformática alttext: Um pedaço de DNA. img: /images/content_images/sc_dom_img/bioinformatics.svg links: - - url: https://biopython.org/ + - + url: https://biopython.org/ label: BioPython - - url: http://scikit-bio.org/ + - + url: http://scikit-bio.org/ label: Scikit-Bio - - url: https://github.com/openvax/pyensembl + - + url: https://github.com/openvax/pyensembl label: PyEnsembl - - url: http://etetoolkit.org/ + - + url: http://etetoolkit.org/ label: ETE - - title: Inferência Bayesiana + - + title: Inferência Bayesiana alttext: Um gráfico com uma curva em forma de sino. img: /images/content_images/sc_dom_img/bayesian_inference.svg links: - - url: https://pystan.readthedocs.io/en/latest/ + - + url: https://pystan.readthedocs.io/en/latest/ label: PyStan - - url: https://docs.pymc.io/ + - + url: https://docs.pymc.io/ label: PyMC3 - - url: https://arviz-devs.github.io/arviz/ + - + url: https://arviz-devs.github.io/arviz/ label: ArviZ - - url: https://emcee.readthedocs.io/ + - + url: https://emcee.readthedocs.io/ label: emcee - - title: Análise Matemática + - + title: Análise Matemática alttext: Quatro símbolos matemáticos. img: /images/content_images/sc_dom_img/mathematical_analysis.svg links: - - url: https://www.scipy.org/ + - + url: https://www.scipy.org/ label: SciPy - - url: https://www.sympy.org/ + - + url: https://www.sympy.org/ label: SymPy - - url: https://www.cvxpy.org/ + - + url: https://www.cvxpy.org/ label: cvxpy - - url: https://fenicsproject.org/ + - + url: https://fenicsproject.org/ label: FEniCS - - title: Química + - + title: Química alttext: Um tubo de ensaio. img: /images/content_images/sc_dom_img/chemistry.svg links: - - url: https://cantera.org/ + - + url: https://cantera.org/ label: Cantera - - url: https://www.mdanalysis.org/ + - + url: https://www.mdanalysis.org/ label: MDAnalysis - - url: https://github.com/rdkit/rdkit + - + url: https://github.com/rdkit/rdkit label: RDKit - - url: https://www.pybamm.org/ + - + url: https://www.pybamm.org/ label: PyBaMM - - title: Geociências + - + title: Geociências alttext: A Terra. img: /images/content_images/sc_dom_img/geoscience.svg links: - - url: https://pangeo.io/ + - + url: https://pangeo.io/ label: Pangeo - - url: https://simpeg.xyz/ + - + url: https://simpeg.xyz/ label: Simpeg - - url: https://github.com/obspy/obspy/wiki + - + url: https://github.com/obspy/obspy/wiki label: ObsPy - - url: https://www.fatiando.org/ + - + url: https://www.fatiando.org/ label: Fatiando a Terra - - title: Processamento Geográfico + - + title: Processamento Geográfico alttext: Um mapa. img: /images/content_images/sc_dom_img/GIS.svg links: - - url: https://shapely.readthedocs.io/ + - + url: https://shapely.readthedocs.io/ label: Shapely - - url: https://geopandas.org/ + - + url: https://geopandas.org/ label: GeoPandas - - url: https://python-visualization.github.io/folium + - + url: https://python-visualization.github.io/folium label: Folium - - title: Arquitetura e Engenharia + - + title: Arquitetura e Engenharia alttext: Uma placa de desenvolvimento de microprocessador. img: /images/content_images/sc_dom_img/robotics.svg links: - - url: https://compas.dev/ + - + url: https://compas.dev/ label: COMPAS - - url: https://cityenergyanalyst.com/ + - + url: https://cityenergyanalyst.com/ label: City Energy Analyst - Analista de Energía de Ciudad - - url: https://nortikin.github.io/sverchok/ + - + url: https://nortikin.github.io/sverchok/ label: Sverchok datascience: intro: "NumPy está no centro de um rico ecossistema de bibliotecas de ciência de dados. Um fluxo de trabalho típico de ciência de dados exploratório pode parecer assim:" image1: - - img: /images/content_images/ds-landscape.png + - + img: /images/content_images/ds-landscape.png alttext: Diagrama de bibliotecas Python. As cinco categorias são 'Extrair, Transformar, Carregar', 'Exploração de Dados', 'Modelo de Dados', 'Avaliação de Dados' e 'Apresentação de Dados'. image2: - - img: /images/content_images/data-science.png + - + img: /images/content_images/data-science.png alttext: Diagram of three overlapping circle. The circles labeled 'Mathematics', 'Computer Science' and 'Domain Expertise'. In the middle of the diagram, which has the three circles overlapping it, is an area labeled 'Data Science'. examples: - - text: "Extract, Transform, Load: [Pandas](https://pandas.pydata.org),[ Intake](https://intake.readthedocs.io),[PyJanitor](https://pyjanitor-devs.github.io/pyjanitor/)" - - text: "Exploratory analysis: [Jupyter](https://jupyter.org),[Seaborn](https://seaborn.pydata.org),[ Matplotlib](https://matplotlib.org),[ Altair](https://altair-viz.github.io)" - - text: "Model and evaluate: [scikit-learn](https://scikit-learn.org),[ statsmodels](https://www.statsmodels.org/stable/index.html),[ PyMC3](https://docs.pymc.io),[ spaCy](https://spacy.io)" - - text: "Report in a dashboard: [Dash](https://plotly.com/dash),[ Panel](https://panel.holoviz.org),[ Voila](https://github.com/voila-dashboards/voila)" + - + text: "Extract, Transform, Load: [Pandas](https://pandas.pydata.org),[ Intake](https://intake.readthedocs.io),[PyJanitor](https://pyjanitor-devs.github.io/pyjanitor/)" + - + text: "Exploratory analysis: [Jupyter](https://jupyter.org),[Seaborn](https://seaborn.pydata.org),[ Matplotlib](https://matplotlib.org),[ Altair](https://altair-viz.github.io)" + - + text: "Model and evaluate: [scikit-learn](https://scikit-learn.org),[ statsmodels](https://www.statsmodels.org/stable/index.html),[ PyMC3](https://docs.pymc.io),[ spaCy](https://spacy.io)" + - + text: "Report in a dashboard: [Dash](https://plotly.com/dash),[ Panel](https://panel.holoviz.org),[ Voila](https://github.com/voila-dashboards/voila)" content: - - text: For high data volumes, [Dask](https://dask.org) and[Ray](https://ray.io/) are designed to scale. Stabledeployments rely on data versioning ([DVC](https://dvc.org)),experiment tracking ([MLFlow](https://mlflow.org)), andworkflow automation ([Airflow](https://airflow.apache.org) and[Prefect](https://www.prefect.io)). + - + text: For high data volumes, [Dask](https://dask.org) and[Ray](https://ray.io/) are designed to scale. Stabledeployments rely on data versioning ([DVC](https://dvc.org)),experiment tracking ([MLFlow](https://mlflow.org)), andworkflow automation ([Airflow](https://airflow.apache.org) and[Prefect](https://www.prefect.io)). visualization: images: - - url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries + - + url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries img: /images/content_images/v_matplotlib.png alttext: Um streamplot feito em matplotlib - - url: https://github.com/yhat/ggpy + - + url: https://github.com/yhat/ggpy img: /images/content_images/v_ggpy.png alttext: Um gráfico scatter-plot feito em ggpy - - url: https://www.journaldev.com/19692/python-plotly-tutorial + - + url: https://www.journaldev.com/19692/python-plotly-tutorial img: /images/content_images/v_plotly.png alttext: Um box-plot feito no plotly - - url: https://altair-viz.github.io/gallery/streamgraph.html + - + url: https://altair-viz.github.io/gallery/streamgraph.html img: /images/content_images/v_altair.png alttext: Um gráfico streamgraph feito em altair - - url: https://seaborn.pydata.org + - + url: https://seaborn.pydata.org img: /images/content_images/v_seaborn.png alttext: A plot duplo com dois tipos de gráficos, um plot-graph e um gráfico de frequência feitos no seaborn - - url: https://docs.pyvista.org/ + - + url: https://docs.pyvista.org/ img: /images/content_images/v_pyvista.png alttext: Uma renderização de volume 3D feita no PyVista. - - url: https://napari.org + - + url: https://napari.org img: /images/content_images/v_napari.png alttext: Uma imagem multidimensional, feita em napari. - - url: https://vispy.org/gallery/index.html + - + url: https://vispy.org/gallery/index.html img: /images/content_images/v_vispy.png alttext: Diagrama de Voronoi feito com vispy. content: - - text: NumPy é um componente essencial no crescente [campo de visualização em Python](https://pyviz.org/overviews/index.html), que inclui [Matplotlib](https://matplotlib.org), [Seaborn](https://seaborn.pydata.org), [Plotly](https://plot.ly), [Altair](https://altair-viz.github.io), [Bokeh](https://docs.bokeh.org/en/latest/), [Holoviz](https://holoviz.org), [Vispy](http://vispy.org), [Napari](https://github.com/napari/napari), e [PyVista](https://github.com/pyvista/pyvista), para citar alguns. - - text: O processamento de grandes arrays acelerado pela NumPy permite que os pesquisadores visualizem conjuntos de dados muito maiores do que o Python nativo poderia permitir. + - + text: NumPy é um componente essencial no crescente [campo de visualização em Python](https://pyviz.org/overviews/index.html), que inclui [Matplotlib](https://matplotlib.org), [Seaborn](https://seaborn.pydata.org), [Plotly](https://plot.ly), [Altair](https://altair-viz.github.io), [Bokeh](https://docs.bokeh.org/en/latest/), [Holoviz](https://holoviz.org), [Vispy](http://vispy.org), [Napari](https://github.com/napari/napari), e [PyVista](https://github.com/pyvista/pyvista), para citar alguns. + - + text: O processamento de grandes arrays acelerado pela NumPy permite que os pesquisadores visualizem conjuntos de dados muito maiores do que o Python nativo poderia permitir. diff --git a/content/pt/teams/index.md b/content/pt/teams/index.md index b84f16aaf2..9587d36385 100644 --- a/content/pt/teams/index.md +++ b/content/pt/teams/index.md @@ -1,9 +1,10 @@ --- -title: Times NumPy +title: NumPy Teams sidebar: false --- -Somos uma equipe internacional com a missão de apoiar comunidades científicas e de pesquisa em todo o mundo construindo software de código aberto de qualidade. [Junte-se a nós](/contribute)! +Somos uma equipe internacional com a missão de apoiar comunidades científicas e de pesquisa em todo o mundo construindo software de código aberto de qualidade. +[Junte-se a nós](/contribute)! ### Maintainers diff --git a/content/pt/user-survey-2020.md b/content/pt/user-survey-2020.md index 8747efca88..5f2a397baf 100644 --- a/content/pt/user-survey-2020.md +++ b/content/pt/user-survey-2020.md @@ -13,8 +13,6 @@ width = '250' **[Faça o download do relatório](/surveys/NumPy_usersurvey_2020_report.pdf)** para ver os detalhes sobre os resultados encontrados. - Para os destaques, confira **[este infográfico](https://github.com/numpy/numpy-surveys/blob/master/images/2020NumPysurveyresults_community_infographic.pdf)**. -Quer saber mais? Visite **https://numpy.org/user-survey-2020-details/**. - +Ready for a deep dive? Visite **https://numpy.org/user-survey-2020-details/**. diff --git a/content/pt/user-surveys.md b/content/pt/user-surveys.md index 4f60686926..1c0e4f62af 100644 --- a/content/pt/user-surveys.md +++ b/content/pt/user-surveys.md @@ -7,4 +7,4 @@ sidebar: false **2021** Os dados coletados estão em análise. -Se você tem dúvidas ou sugestões sobre as pesquisas já realizadas ou futuras, por favor crie uma issue [aqui](https://github.com/numpy/numpy-surveys/issues). +Se você tem dúvidas ou sugestões sobre as pesquisas já realizadas ou futuras, por favor crie uma issue [aqui](https://github.com/numpy/numpy-surveys/issues).