diff --git a/404/index.html b/404/index.html index e5e8b5c..50bb1a0 100644 --- a/404/index.html +++ b/404/index.html @@ -9,6 +9,5 @@

404

Oops! You’ve reached a dead end.

If you think something should be here, you can open an issue on GitHub.

On this page

404

Oops! You’ve reached a dead end.

If you think something should be here, you can open an issue on GitHub.

On this page

\ No newline at end of file diff --git a/about/index.html b/about/index.html index ad908b1..411c0c6 100644 --- a/about/index.html +++ b/about/index.html @@ -14,6 +14,5 @@

Institutional Partners#

Institutional Partners are organizations that support the project by employing people that contribute to NumPy as part of their job. Current Institutional Partners include:

UC Berkeley (Stéfan van der Walt)
Quansight (Nathan Goldbaum, Ralf Gommers, Matti Picus, Melissa Weber Mendonça, Mateusz Sokol)
NVIDIA (Sebastian Berg)

Donate#

If you have found NumPy useful in your work, research, or company, please consider a donation to the project commensurate with your resources. Any amount helps! All donations will be used strictly to fund the development of NumPy’s open source software, documentation, and community.

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 for more information.

Donations to NumPy are managed by NumFOCUS. For donors in the United States, your gift is tax-deductible to the extent provided by law. As with any donation, you should consult with your tax advisor about your particular tax situation.

NumPy’s Steering Council will make the decisions on how to best use any funds received. Technical and infrastructure priorities are documented on the NumPy Roadmap.

On this page

Thank you! 🎉

Donate#

NumPy’s Steering Council will make the decisions on how to best use any funds received. Technical and infrastructure priorities are documented on the NumPy Roadmap.

On this page

\ No newline at end of file diff --git a/arraycomputing/index.html b/arraycomputing/index.html index dc42134..6e7015f 100644 --- a/arraycomputing/index.html +++ b/arraycomputing/index.html @@ -28,6 +28,5 @@ once. What this means is that any array operation applies to an entire set of values in one shot. This vectorized approach provides speed and simplicity by enabling programmers to code and operate on aggregates of data, without having -to use loops of individual scalar operations.

On this page

Caso de estudio: La primera imagen de un Agujero Negro

Agujero Negro M87#
(Créditos de la imagen: Colaboración del telescopio del Horizonte de Sucesos)

Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
—Katie Bouman, Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech

Un telescopio del tamaño de la Tierra#

El Telescopio Event Horizon (EHT) , es un conjunto de ocho radiotelescopios terrestres que forman un telescopio computacional del tamaño de la Tierra, estudiando al universo con una sensibilidad y resolución sin precedente. El enorme telescopio virtual, que utiliza una técnica llamada Interferometría de línea de base muy larga (VLBI), tiene una resolución angular de 20 microsegundos de arco — ¡suficiente para leer un periódico en Nueva York desde un café en la acera en París!

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 dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.
El agujero negro: EHT se entrenó en un enorme agujero negro supermasivo aproximadamente a 55 millones de años luz de la Tierra, situado en el centro de la galaxia Messier 87 (M87) en el cúmulo de galaxias Virgo. Su masa es 6.5 mil millones de veces la del sol. Se había estudiado por más de 100 años, pero nunca antes se había observado un agujero negro.
Comparando las observaciones con la teoría: A partir de la teoría general de la relatividad de Einstein, los científicos esperaban encontrar una región similar a una sombra causada por la flexión gravitacional y la captura de la luz. Los científicos pudieron utilizarla para medir la enorme masa del agujero negro.

Los desafíos#

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.
Demasiada información
Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil.
Hacia lo desconocido
Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?

Flujo de Trabajo de Procesamiento de Datos EHT#
(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)

El Rol de NumPy#

¿Qué pasa si hay un problema con los datos? O tal vez un algoritmo depende demasiado de una suposición en particular. ¿Cambiará drásticamente la imagen si se cambia un solo parámetro?

La colaboración del EHT respondió a estos desafíos haciendo que los equipos independientes evaluaran los datos, utilizando técnicas de reconstrucción de imágenes ya establecidas y de vanguardia. Cuando los resultados se mostraron consistentes, se combinaron para producir la primera imagen de su tipo de un agujero negro.

Su trabajo ilustra el rol que desempeña el ecosistema científico de Python en el avance de la ciencia a través del análisis de datos colaborativos.

El rol de NumPy en la imagen del agujero negro#

Por ejemplo, el paquete de Python eht-imaging proporciona herramientas para simular y realizar reconstrucción de imágenes en datos VLBI. NumPy está en el núcleo del procesamiento de datos de matrices utilizados en este paquete, como se muestra a continuación en el gráfico parcial de dependencias de software.

Gráfico de dependencias de software del paquete ehtim resaltando a NumPy#

Además de NumPy, muchos otros paquetes, como SciPy y Pandas, son parte del flujo de procesamiento de datos para fotografiar el agujero negro. Los formatos estándar de archivos astronómicos y transformaciones de tiempo/coordenadas fueron manejados por Astropy, mientras que Matplotlib fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.

Resumen#

El eficiente y adaptable arreglo n-dimensional que es la característica central de NumPy, permitió a los investigadores manipular grandes conjuntos de datos numéricos, proporcionando una base para la primera imagen de un agujero negro. Un momento histórico en la ciencia ofrece una impresionante evidencia visual de la teoría de Einstein. Este logro abarca no solo los avances tecnológicos sino también la colaboración internacional de más de 200 científicos y algunos de los mejores radio observatorios del mundo. Algoritmos innovadores y técnicas de procesamiento de datos, mejorando los modelos astronómicos existentes, ayudaron a desvelar un misterio del universo.

Capacidades clave de NumPy utilizadas#

On this page

Caso de estudio: La primera imagen de un Agujero Negro

Agujero Negro M87#
(Créditos de la imagen: Colaboración del telescopio del Horizonte de Sucesos)

Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.
—Katie Bouman, Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech

Un telescopio del tamaño de la Tierra#

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 dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.
El agujero negro: EHT se entrenó en un enorme agujero negro supermasivo aproximadamente a 55 millones de años luz de la Tierra, situado en el centro de la galaxia Messier 87 (M87) en el cúmulo de galaxias Virgo. Su masa es 6.5 mil millones de veces la del sol. Se había estudiado por más de 100 años, pero nunca antes se había observado un agujero negro.
Comparando las observaciones con la teoría: A partir de la teoría general de la relatividad de Einstein, los científicos esperaban encontrar una región similar a una sombra causada por la flexión gravitacional y la captura de la luz. Los científicos pudieron utilizarla para medir la enorme masa del agujero negro.

Los desafíos#

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.
Demasiada información
Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil.
Hacia lo desconocido
Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?

Flujo de Trabajo de Procesamiento de Datos EHT#
(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)

El Rol de NumPy#

¿Qué pasa si hay un problema con los datos? O tal vez un algoritmo depende demasiado de una suposición en particular. ¿Cambiará drásticamente la imagen si se cambia un solo parámetro?

Su trabajo ilustra el rol que desempeña el ecosistema científico de Python en el avance de la ciencia a través del análisis de datos colaborativos.

El rol de NumPy en la imagen del agujero negro#

Gráfico de dependencias de software del paquete ehtim resaltando a NumPy#

Resumen#

Capacidades clave de NumPy utilizadas#

On this page

\ No newline at end of file diff --git a/es/case-studies/cricket-analytics/index.html b/es/case-studies/cricket-analytics/index.html index de764ea..7c768fd 100644 --- a/es/case-studies/cricket-analytics/index.html +++ b/es/case-studies/cricket-analytics/index.html @@ -10,6 +10,5 @@

Estudio de caso: Análisis de críquet, ¡el cambio radical!

IPLT20, el festival de críquet más grande en India#
(Créditos de imagen: IPLT20 (copa y logo) & Akash Yadav (estadio))

No juegas para el público, juegas para el país.
—M S Dhoni, Jugador Internacional de críquet, ex-capitán del equipo de India, juega para Chennai Super Kings en IPL

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 y fama en juego. En los últimos años, la tecnología ha cambiado literalmente las reglas del juego. El público tiene muchas opciones para elegir entre streaming de medios, torneos, acceso asequible a la visualización de críquet en vivo desde dispositivos móviles y más.

La Indian Premier League (IPL) es una liga profesional de críquet Twenty20, fundada en 2008. Es uno de los eventos de críquet más concurridos en el mundo, valorado en $6.7 mil millones de dólares en 2019.

El críquet es un juego de números - las carreras anotadas por un bateador, los wickets tomados por un lanzador, los partidos ganados por un equipo de críquet, el número de veces que un bateador responde de cierta manera a un tipo de ataque de lanzamiento, etc. La capacidad de profundizar en los números del críquet tanto para mejorar el rendimiento como para estudiar las oportunidades de negocio, el mercado en general y la economía del cricket mediante potentes herramientas de análisis, impulsadas por software de computación numérica como NumPy, es algo muy importante. El análisis del críquet proporciona ideas interesantes sobre el juego e inteligencia predictiva respecto a los resultados del juego.

Hoy en día, hay abundantes y casi infinitos tesoros de registros y estadísticas de juegos de críquet disponibles, por ejemplo, en ESPN cricinfo y cricsheet. Estas y muchas otras bases de datos de cricket se han utilizado para el análisis de cricket utilizando los últimos algoritmos de aprendizaje automático y modelación predictiva. Las plataformas de medios y entretenimiento, junto con los organismos deportivos profesionales asociados con el juego, utilizan la tecnología y el análisis para determinar métricas clave que mejoren las posibilidades de ganar los partidos:

promedio móvil del rendimiento de bateo,
previsión del marcador,
obtener información sobre la condición física y el rendimiento de un jugador contra diferentes oponentes,
contribución del jugador a las victorias y derrotas para tomar decisiones estratégicas sobre la composición del equipo

El campo de críquet, el punto focal en el terreno de juego#
(Image credit: Debarghya Das)

Objetivos Clave de Análisis de Datos#

El análisis de datos deportivos se utiliza no solo en el críquet, sino en muchos otros deportes para mejorar el rendimiento general del equipo y maximizar las posibilidades de ganar.
El análisis de datos en tiempo real puede ayudar a obtener información incluso durante el juego para cambiar tácticas por parte del equipo y de las empresas asociadas para beneficios económicos y crecimiento.
Además del análisis histórico, se aprovechan los modelos predictivos para determinar los posibles resultados de los partidos, lo cual requiere una cantidad significativa de procesamiento de datos y conocimientos de ciencia de datos, herramientas de visualización y la capacidad de incluir nuevas observaciones en el análisis.

Estimador de postura en críquet#
(Crédito de imagen: connect.vin)

Los Desafíos#

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
En el cricket, al igual que en cualquier otro deporte, puede haber una gran cantidad de variables relacionadas con el seguimiento de varios jugadores en el campo, sus atributos, la pelota y varias posibilidades de acciones potenciales. La complejidad del análisis de datos y la modelación es directamente proporcional al tipo de preguntas predictivas que se plantean durante el análisis y depende en gran medida de la representación de los datos y del modelo. Las cosas se vuelven aún más desafiantes en términos de cálculo y comparación de datos cuando se buscan predicciones dinámicas del juego de críquet, tal como habría sucedido si el bateador hubiera golpeado la bola a un ángulo o velocidad diferente.
Complejidad de Análisis Predictivo
Gran parte de la toma de decisiones en el críquet se basa en preguntas como “¿con qué frecuencia un bateador juega un cierto tipo de golpe si la entrega de la pelota es de un tipo particular?” o “¿cómo cambia un lanzador su línea y longitud si el bateador responde a su entrega de una cierta manera?”. Este tipo de consulta de análisis predictivo requiere una disponibilidad de un conjunto de datos altamente granular y la capacidad de sintetizar datos y crear modelos generativos que sean altamente precisos.

El Papel de NumPy en el Análisis del Críquet#

El análisis deportivo es un campo en desarrollo. Muchos investigadores y compañías utilizan NumPy y otros paquetes de PyData como Scikit-learn, SciPy, Matplotlib y Jupyter, además de utilizar las últimas técnicas de aprendizaje automático e inteligencia artificial. NumPy se ha utilizado para varios tipos de análisis deportivos relacionados con el críquet tales como:

Análisis Estadístico: Las capacidades numéricas de NumPy ayudan a estimar la significancia estadística de los datos observacionales o de eventos de partidos en el contexto de varias tácticas de jugadores y de juego, estimando el resultado del juego mediante la comparación con un modelo generativo o estático. El análisis causal y los enfoques de big data se utilizan para el análisis táctico.
Visualización de Datos: La creación de gráficos y la visualización de datos proporcionan información útil sobre la relación entre varios conjuntos de datos.

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.

Capacidades claves de NumPy utilizadas#

On this page

Estudio de caso: Análisis de críquet, ¡el cambio radical!

IPLT20, el festival de críquet más grande en India#
(Créditos de imagen: IPLT20 (copa y logo) & Akash Yadav (estadio))

No juegas para el público, juegas para el país.
—M S Dhoni, Jugador Internacional de críquet, ex-capitán del equipo de India, juega para Chennai Super Kings en IPL

Acerca del críquet#

promedio móvil del rendimiento de bateo,
previsión del marcador,
obtener información sobre la condición física y el rendimiento de un jugador contra diferentes oponentes,
contribución del jugador a las victorias y derrotas para tomar decisiones estratégicas sobre la composición del equipo

El campo de críquet, el punto focal en el terreno de juego#
(Image credit: Debarghya Das)

Objetivos Clave de Análisis de Datos#

El análisis de datos deportivos se utiliza no solo en el críquet, sino en muchos otros deportes para mejorar el rendimiento general del equipo y maximizar las posibilidades de ganar.
El análisis de datos en tiempo real puede ayudar a obtener información incluso durante el juego para cambiar tácticas por parte del equipo y de las empresas asociadas para beneficios económicos y crecimiento.
Además del análisis histórico, se aprovechan los modelos predictivos para determinar los posibles resultados de los partidos, lo cual requiere una cantidad significativa de procesamiento de datos y conocimientos de ciencia de datos, herramientas de visualización y la capacidad de incluir nuevas observaciones en el análisis.

Estimador de postura en críquet#
(Crédito de imagen: connect.vin)

Los Desafíos#

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
En el cricket, al igual que en cualquier otro deporte, puede haber una gran cantidad de variables relacionadas con el seguimiento de varios jugadores en el campo, sus atributos, la pelota y varias posibilidades de acciones potenciales. La complejidad del análisis de datos y la modelación es directamente proporcional al tipo de preguntas predictivas que se plantean durante el análisis y depende en gran medida de la representación de los datos y del modelo. Las cosas se vuelven aún más desafiantes en términos de cálculo y comparación de datos cuando se buscan predicciones dinámicas del juego de críquet, tal como habría sucedido si el bateador hubiera golpeado la bola a un ángulo o velocidad diferente.
Complejidad de Análisis Predictivo
Gran parte de la toma de decisiones en el críquet se basa en preguntas como “¿con qué frecuencia un bateador juega un cierto tipo de golpe si la entrega de la pelota es de un tipo particular?” o “¿cómo cambia un lanzador su línea y longitud si el bateador responde a su entrega de una cierta manera?”. Este tipo de consulta de análisis predictivo requiere una disponibilidad de un conjunto de datos altamente granular y la capacidad de sintetizar datos y crear modelos generativos que sean altamente precisos.

El Papel de NumPy en el Análisis del Críquet#

Análisis Estadístico: Las capacidades numéricas de NumPy ayudan a estimar la significancia estadística de los datos observacionales o de eventos de partidos en el contexto de varias tácticas de jugadores y de juego, estimando el resultado del juego mediante la comparación con un modelo generativo o estático. El análisis causal y los enfoques de big data se utilizan para el análisis táctico.
Visualización de Datos: La creación de gráficos y la visualización de datos proporcionan información útil sobre la relación entre varios conjuntos de datos.

Resumen#

Capacidades claves de NumPy utilizadas#

On this page

\ No newline at end of file diff --git a/es/case-studies/deeplabcut-dnn/index.html b/es/case-studies/deeplabcut-dnn/index.html index be7f687..9466593 100644 --- a/es/case-studies/deeplabcut-dnn/index.html +++ b/es/case-studies/deeplabcut-dnn/index.html @@ -10,6 +10,5 @@

Caso de estudio: DeepLabCut Estimación de Postura 3D

Analizar movimiento de las manos de los ratones usando DeepLapCut#
(Fuente: www.deeplabcut.org)

El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
—Alexander Mathis, Profesor Asistente, Escuela Politécnica Federal de Lausana (EPFL)

Acerca de DeepLabCut#

DeepLabCut es una caja de herramientas de código abierto que permite a los investigadores de cientos de instituciones de todo el mundo rastrear el comportamiento de animales de laboratorio, con muy pocos datos de entrenamiento, con una precisión de nivel humana. Con la tecnología DeepLabCut, los científicos pueden profundizar en la comprensión científica del control motriz y el comportamiento a través de especies animales y escalas temporales.

Muchas áreas de investigación, incluyendo la neurociencia, la medicina y la biomecánica, utilizan datos para rastrear el movimiento animal. DeepLabCut ayuda a entender lo que los humanos y otros animales están haciendo, analizando las acciones que han sido grabadas en la filmación. Utilizando la automatización para tareas laboriosas de etiquetado y monitoreo, junto con el análisis de datos basado en redes neuronales profundas, DeepLabCut realiza estudios científicos que involucran la observación de animales, tales como primates, ratones, peces, moscas, etc. de manera mucho más rápida y precisa.

Puntos de colores rastrean las posiciones de una parte del cuerpo de un caballo de carreras#
(Fuente: Mackenzie Mathis)

El rastreo del comportamiento no invasivo de animales de DeepLabCut por medio de la extracción de posturas de animales es crucial para propósitos científicos en dominios tales como la biomecánica, genética, etología y & neurociencia. Medir las poses de animales de manera no invasiva a partir de video - sin marcadores - en fondos que cambian dinámicamente es un desafío computacional, tanto técnicamente como en términos de necesidades de recursos y datos de entrenamiento requeridos.

DeepLabCut permite a los investigadores estimar la postura del sujeto, permitiéndoles eficientemente cuantificar el comportamiento a través de una caja de herramientas de software basada en Python. Con DeepLabCut, los investigadores pueden identificar fotogramas distintos de videos, etiquetar digitalmente partes específicas del cuerpo en unas pocas docenas de fotogramas con una GUI personalizada, y luego las arquitecturas de estimación de posturas basadas en aprendizaje profundo en DeepLabCut aprenden a identificar esas mismas características en el resto del video y en otros videos similares de animales. Funciona en diferentes especies de animales, desde los animales de laboratorio comunes como moscas y ratones hasta animales más inusuales como los guepardos.

DeepLabCut utiliza un principio llamado aprendizaje por transferencia, que reduce considerablemente la cantidad de datos de entrenamiento requeridos y acelera la convergencia del período de entrenamiento. Dependiendo de las necesidades, los usuarios pueden seleccionar diferentes arquitecturas de red que proporcionan una inferencia más rápida (por ejemplo MobileNetV2), que también pueden combinarse con retroalimentación experimental en tiempo real. DeepLabCut utilizó originalmente los detectores de características de una arquitectura de estimación de postura humana de alto rendimiento, llamada DeeperCut, que inspiró el nombre. El paquete ahora ha sido significativamente modificado para incluir arquitecturas adicionales, métodos de aumento y una experiencia de usuario completa en el front-end. Además, para apoyar los experimentos biológicos a gran escala, DeepLabCut proporciona capacidades de aprendizaje activo para que los usuarios puedan aumentar el conjunto de entrenamiento a lo largo del tiempo para cubrir casos límite y hacer que su algoritmo de estimación de postura sea robusto dentro de un contexto específico.

Recientemente, se presentó el modelo zoo de DeepLabCut, que proporciona modelos pre-entrenados para varias especies y condiciones experimentales, desde el análisis facial en primates hasta la postura de perro. Esto se puede ejecutar, por ejemplo, en la nube sin ningún etiquetado de datos nuevos o entrenamiento de redes neuronales, y no es necesaria ninguna experiencia de programación.

Objetivos y Resultados Clave#

Automatización del análisis de la postura animal para estudios científicos:
El objetivo principal de la tecnología DeepLabCut es medir y rastrear la postura de los animales en diversos entornos. Estos datos se pueden utilizar, por ejemplo, en estudios de neurociencia para entender cómo el cerebro controla el movimiento, o para aclarar como interactúan socialmente los animales. Los investigadores han observado un aumento de rendimiento diez veces mayor con DeepLabCut. Las posturas se pueden inferir sin conexión hasta a 1200 fotogramas por segundo (FPS).
Creación de un conjunto de herramientas de Python de fácil uso para la estimación de postura:
DeepLabCut quería compartir su tecnología de estimación de postura animal en la forma de una herramienta de fácil uso que pueda ser adoptada fácilmente por los investigadores. Así que han creado un conjunto de herramientas de Python completo y de fácil uso, también con características de administración de proyectos. Estas permiten no solo la automatización de la estimación de postura, sino también administrar el proyecto de punta a punta ayudando al usuario del conjunto de herramientas de DeepLabCut desde la etapa de recolección del conjunto de datos para crear flujos de trabajo de análisis compartibles y reutilizables.
Su conjunto de herramientas ahora está disponible como código abierto.
En flujo de trabajo típico de DeepLabCut incluye:
- creación y refinamiento de los conjuntos de entrenamiento a través del aprendizaje activo
- creación de redes neuronales a la medida para animales y escenarios específicos
- código para inferencia a gran escala en videos
- graficar las inferencias utilizando herramientas de visualización integradas

Pasos de estimación de la postura con DeepLabCut#
(Source: DeepLabCut)

Los Desafíos#

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.
Combinatoria
La combinatoria involucra el armado e integración del movimiento de múltiples extremidades en el comportamiento animal individual. Ensamblar puntos clave y sus conexiones en movimientos individuales de animales y vincularlos a lo largo del tiempo es un proceso complejo que requiere un análisis numérico intensivo, especialmente en el caso del seguimiento de movimientos de múltiples animales en videos de experimentos.
Procesamiento de Datos
Por último, pero no menos importante, la manipulación de arreglos - procesamiento de grandes pilas de arreglos correspondientes a varias imágenes, tensores objetivo y puntos clave es bastante desafiante.

Estimación de variedad y complejidad de postura#
(Fuente: Mackenzie Mathis)

El Papel de NumPy para afrontar los desafíos de la estimación de postura#

NumPy aborda la necesidad central de la tecnología de DeepLabCut de realizar cálculos numéricos a alta velocidad para el análisis del comportamiento. Además de NumPy, DeepLabCut emplea varios softwares de Python que utilizan NumPy en su núcleo, como SciPy, Pandas, matplotlib, Tensorpack, imgaug, scikit-learn, scikit-image y Tensorflow.

Las siguientes características de NumPy jugaron un papel clave en abordar el procesamiento de imágenes, los requisitos de combinatoria y la necesidad de cálculos rápidos en los algoritmos de estimación de posturas de DeepLabCut:

Vectorización
Operaciones con Arreglos Enmascarados
Álgebra lineal
Muestreo Aleatorio
Redimensionamiento de arreglos grandes

DeepLabCut utiliza las capacidades de arreglos de NumPy a lo largo del flujo de trabajo ofrecido por el conjunto de herramientas. En particular, NumPy se utiliza para muestrear diferentes fotogramas para etiquetado de anotaciones humanas, y para escribir, editar y procesar datos de anotación. Dentro de TensorFlow, la red neuronal es entrenada por la tecnología DeepLabCut durante miles de iteraciones para predecir las anotaciones de referencia a partir de fotogramas. Para este propósito, se crean densidades objetivo (mapas de puntuación) para plantear la estimación de poses como un problema de traducción de imagen a imagen. Para hacer que las redes neuronales sean robustas, se emplea el aumento de datos, lo que requiere el cálculo de mapas de puntuación objetivo sujetos a varios pasos geométricos y de procesamiento de imágenes. Para hacer que el entrenamiento sea rápido, se aprovechan las capacidades de vectorización de NumPy. Para la inferencia, es necesario extraer las predicciones más probables de los mapas de puntuación objetivo y “vincular eficientemente las predicciones para ensamblar animales individuales”.

Flujo de Trabajo de DeepLabCut#
(Fuente: Mackenzie Mathis)

Resumen#

Observar y describir eficientemente el comportamiento es un punto central de la etología moderna, neurociencia, medicina y tecnología. DeepLabCut permite a los investigadores estimar la postura del sujeto, permitiéndoles de manera eficiente cuantificar el comportamiento. Con solo un pequeño conjunto de imágenes de entrenamiento, el conjunto de herramientas de Python de DeepLabCut permite entrenar una red neuronal con una precisión de etiquetado a nivel humano, expandiendo así su aplicación no solo al análisis del comportamiento en el laboratorio, sino también potencialmente en deportes, análisis de marcha, medicina y estudios de rehabilitación. Los desafíos de la combinatoria compleja y procesamiento de datos enfrentados por los algoritmos de DeepLabCut se abordan mediante el uso de las capacidades de manipulación de arreglos de NumPy.

Capacidades claves utilizadas de NumPy#

On this page

Caso de estudio: DeepLabCut Estimación de Postura 3D

Analizar movimiento de las manos de los ratones usando DeepLapCut#
(Fuente: www.deeplabcut.org)

El software de código abierto está acelerando la biomedicina. DeepLabCut permite el análisis automatizado de video del comportamiento animal utilizando Aprendizaje Profundo.
—Alexander Mathis, Profesor Asistente, Escuela Politécnica Federal de Lausana (EPFL)

Acerca de DeepLabCut#

Puntos de colores rastrean las posiciones de una parte del cuerpo de un caballo de carreras#
(Fuente: Mackenzie Mathis)

Objetivos y Resultados Clave#

Automatización del análisis de la postura animal para estudios científicos:
El objetivo principal de la tecnología DeepLabCut es medir y rastrear la postura de los animales en diversos entornos. Estos datos se pueden utilizar, por ejemplo, en estudios de neurociencia para entender cómo el cerebro controla el movimiento, o para aclarar como interactúan socialmente los animales. Los investigadores han observado un aumento de rendimiento diez veces mayor con DeepLabCut. Las posturas se pueden inferir sin conexión hasta a 1200 fotogramas por segundo (FPS).
Creación de un conjunto de herramientas de Python de fácil uso para la estimación de postura:
DeepLabCut quería compartir su tecnología de estimación de postura animal en la forma de una herramienta de fácil uso que pueda ser adoptada fácilmente por los investigadores. Así que han creado un conjunto de herramientas de Python completo y de fácil uso, también con características de administración de proyectos. Estas permiten no solo la automatización de la estimación de postura, sino también administrar el proyecto de punta a punta ayudando al usuario del conjunto de herramientas de DeepLabCut desde la etapa de recolección del conjunto de datos para crear flujos de trabajo de análisis compartibles y reutilizables.
Su conjunto de herramientas ahora está disponible como código abierto.
En flujo de trabajo típico de DeepLabCut incluye:
- creación y refinamiento de los conjuntos de entrenamiento a través del aprendizaje activo
- creación de redes neuronales a la medida para animales y escenarios específicos
- código para inferencia a gran escala en videos
- graficar las inferencias utilizando herramientas de visualización integradas

Pasos de estimación de la postura con DeepLabCut#
(Source: DeepLabCut)

Los Desafíos#

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.
Combinatoria
La combinatoria involucra el armado e integración del movimiento de múltiples extremidades en el comportamiento animal individual. Ensamblar puntos clave y sus conexiones en movimientos individuales de animales y vincularlos a lo largo del tiempo es un proceso complejo que requiere un análisis numérico intensivo, especialmente en el caso del seguimiento de movimientos de múltiples animales en videos de experimentos.
Procesamiento de Datos
Por último, pero no menos importante, la manipulación de arreglos - procesamiento de grandes pilas de arreglos correspondientes a varias imágenes, tensores objetivo y puntos clave es bastante desafiante.

Estimación de variedad y complejidad de postura#
(Fuente: Mackenzie Mathis)

El Papel de NumPy para afrontar los desafíos de la estimación de postura#

Vectorización
Operaciones con Arreglos Enmascarados
Álgebra lineal
Muestreo Aleatorio
Redimensionamiento de arreglos grandes

Flujo de Trabajo de DeepLabCut#
(Fuente: Mackenzie Mathis)

Resumen#

Capacidades claves utilizadas de NumPy#

On this page

\ No newline at end of file diff --git a/es/case-studies/gw-discov/index.html b/es/case-studies/gw-discov/index.html index 0079f85..af4fb91 100644 --- a/es/case-studies/gw-discov/index.html +++ b/es/case-studies/gw-discov/index.html @@ -10,6 +10,5 @@

Estudio de Caso: Descubrimiento de Ondas Gravitacionales

Ondas Gravitacionales#
(Créditos de imagen: El proyecto Simulación de Espacio-tiempos eXtreme (SXS) en LIGO)

El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
—David Shoemaker, Colaboración científica LIGO

Acerca de Ondas Gravitacionales y LIGO #

Las ondas gravitacionales son ondulaciones en el tejido del espacio y el tiempo, generadas por cataclismos en el universo, tales como la colisión y fusión de dos agujeros negros o la coalescencia de estrellas binarias o supernovas. La observación de Ondas Gravitacionales no solo puede ayudar en el estudio de la gravedad, sino también en la comprensión de algunos de los fenómenos oscuros en el universo distante y su impacto.

El Observatorio de Ondas Gravitacionales por Interferometría Láser (LIGO) fue diseñado para abrir el campo de la astrofísica de ondas gravitacionales mediante la detección directa de las ondas gravitacionales predichas por la Teoría General de la Relatividad de Einstein. Comprende dos interferómetros ampliamente separados dentro de los Estados Unidos: uno en Hanford, Washington, y el otro en Livingston, Louisiana, operando al unísono para detectar ondas gravitacionales. Cada uno de ellos tiene detectores de ondas gravitacionales de escala de múltiples kilómetros que utilizan interferometría de láser. La Colaboración Científica de LIGO (LSC) es un grupo de más de 1000 científicos de universidades de los Estados Unidos y de otros 14 países, respaldados por más de 90 universidades e institutos de investigación; aproximadamente 250 estudiantes contribuyen activamente a la colaboración. El nuevo descubrimiento de LIGO es la primera observación de ondas gravitacionales, realizada midiendo las diminutas perturbaciones que las ondas generan en el espacio y el tiempo a medida que pasan a través de la Tierra. Ha abierto nuevas fronteras astrofísicas que exploran el lado deformado del universo: objetos y fenómenos que están hechos de espaciotiempo deformado.

Objetivos Clave#

Aunque su misión es detectar ondas gravitacionales de algunos de los procesos más violentos y energéticos del Universo, los datos que LIGO recopila pueden tener efectos de gran alcance en muchas áreas de la física, incluyendo gravitación, relatividad, astrofísica, cosmología, física de partículas y física nuclear.
Procesar los datos observados mediante cálculos de relatividad numéricos que implican matemáticas complejas para discernir la señal del ruido, filtrar la señal relevante y estimar estadísticamente la significancia de los datos observados
Visualización de datos para que los resultados binarios/numéricos puedan ser comprendidos.

Los desafíos#

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, distribuidas en 6 clústeres dedicados de LIGO
Avalancha de Datos
A medida que los dispositivos de observación se vuelven más sensibles y confiables, los desafíos planteados por la avalancha de datos y encontrar una aguja en un pajar aumentan exponencialmente. ¡LIGO genera terabytes de datos cada día! Dar sentido a estos datos requiere de un esfuerzo enorme para todas y cada una de las detecciones. Por ejemplo, las señales recolectadas por LIGO deben ser comparadas por supercomputadoras contra cientos de miles de plantillas de posibles señales de ondas gravitacionales.
Visualización
Una vez superados los obstáculos relacionados con comprender suficientemente bien las ecuaciones de Einstein para resolverlas utilizando supercomputadoras, el siguiente gran desafío fue hacer que los datos fueran comprensibles para el cerebro humano. La modelación de simulación, así como la detección de señales, requieren técnicas de visualización efectivas. La visualización también desempeña un papel en otorgar más credibilidad a la relatividad numérica a los ojos de los aficionados a la ciencia pura, los cuales no le daban suficiente importancia a la relatividad numérica hasta que las imágenes y simulaciones facilitaron la comprensión de los resultados para un público más amplio. La velocidad de los cálculos complejos y la renderización, así como la re-renderización de imágenes y simulaciones utilizando los últimos datos experimentales y conocimientos, puede ser una actividad que consume mucho tiempo y que representa un desafío para los investigadores en este campo.

Amplitud de deformación de ondas gravitacionales estimada de GW150914#
(Créditos del gráfico: Observación de Ondas Gravitacionales de la Fusión de un Agujero Negro Binario, Publicación de ResearchGate)

El Papel de NumPy en la Detección de Ondas Gravitacionales#

Las ondas gravitacionales emitidas por la fusión no pueden ser calculadas utilizando ninguna técnica excepto la relatividad numérica por fuerza bruta usando supercomputadoras. La cantidad de datos que LIGO recopila es tan incomprensiblemente grande como pequeñas son las señales de onda gravitacionales.

NumPy, el paquete de análisis numérico estándar para Python, fue utilizado por el software empleado en varias tareas realizadas durante el proyecto de detección de Ondas Gravitacionales en LIGO. NumPy ayudó a resolver las matemáticas complejas y la manipulación de datos a alta velocidad. Aquí hay algunos ejemplos:

Procesamiento de Señales: Detección de fallos, Identificación de ruido y caracterización de datos (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 desarrollado en análisis de datos de Ondas Gravitacionales como, tales como GwPy y PyCBC utiliza NumPy y AstroPy bajo su cubierta para proporcionar interfaces basadas en objetos a utilidades, herramientas y métodos para el estudio de datos provenientes de detectores de ondas gravitacionales.

Gráfico de dependencias que muestra cómo depende el paquete GwPy de NumPy#

Gráfico de dependencias que muestra cómo el paquete PyCBC depende de NumPy#

Resumen#

La detección de ondas gravitacionales ha permitido a los investigadores descubrir fenómenos completamente inesperados, al tiempo que proporciona nuevos conocimientos sobre muchos de los fenómenos astrofísicos más profundos conocidos. El procesamiento de datos y la visualización de datos son pasos cruciales que ayudan a los científicos a obtener información a partir de los datos recopilados en las observaciones científicas y a comprender los resultados. Los cálculos son complejos y no pueden ser comprendidos por humanos, a menos que sean visualizados utilizando simulaciones por computador que se alimenten con datos y análisis reales observados. NumPy, junto con otros paquetes de Python como matplotlib, pandas y scikit-learn, está permitiendo a los investigadores responder preguntas complejas y descubrir nuevos horizontes en nuestra comprensión del universo.

Capacidades clave de NumPy utilizadas#

On this page

Estudio de Caso: Descubrimiento de Ondas Gravitacionales

Ondas Gravitacionales#
(Créditos de imagen: El proyecto Simulación de Espacio-tiempos eXtreme (SXS) en LIGO)

El ecosistema científico de Python es una infraestructura crítica para la investigación realizada en LIGO.
—David Shoemaker, Colaboración científica LIGO

Acerca de Ondas Gravitacionales y LIGO #

Objetivos Clave#

Aunque su misión es detectar ondas gravitacionales de algunos de los procesos más violentos y energéticos del Universo, los datos que LIGO recopila pueden tener efectos de gran alcance en muchas áreas de la física, incluyendo gravitación, relatividad, astrofísica, cosmología, física de partículas y física nuclear.
Procesar los datos observados mediante cálculos de relatividad numéricos que implican matemáticas complejas para discernir la señal del ruido, filtrar la señal relevante y estimar estadísticamente la significancia de los datos observados
Visualización de datos para que los resultados binarios/numéricos puedan ser comprendidos.

Los desafíos#

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, distribuidas en 6 clústeres dedicados de LIGO
Avalancha de Datos
A medida que los dispositivos de observación se vuelven más sensibles y confiables, los desafíos planteados por la avalancha de datos y encontrar una aguja en un pajar aumentan exponencialmente. ¡LIGO genera terabytes de datos cada día! Dar sentido a estos datos requiere de un esfuerzo enorme para todas y cada una de las detecciones. Por ejemplo, las señales recolectadas por LIGO deben ser comparadas por supercomputadoras contra cientos de miles de plantillas de posibles señales de ondas gravitacionales.
Visualización
Una vez superados los obstáculos relacionados con comprender suficientemente bien las ecuaciones de Einstein para resolverlas utilizando supercomputadoras, el siguiente gran desafío fue hacer que los datos fueran comprensibles para el cerebro humano. La modelación de simulación, así como la detección de señales, requieren técnicas de visualización efectivas. La visualización también desempeña un papel en otorgar más credibilidad a la relatividad numérica a los ojos de los aficionados a la ciencia pura, los cuales no le daban suficiente importancia a la relatividad numérica hasta que las imágenes y simulaciones facilitaron la comprensión de los resultados para un público más amplio. La velocidad de los cálculos complejos y la renderización, así como la re-renderización de imágenes y simulaciones utilizando los últimos datos experimentales y conocimientos, puede ser una actividad que consume mucho tiempo y que representa un desafío para los investigadores en este campo.

El Papel de NumPy en la Detección de Ondas Gravitacionales#

Procesamiento de Señales: Detección de fallos, Identificación de ruido y caracterización de datos (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 desarrollado en análisis de datos de Ondas Gravitacionales como, tales como GwPy y PyCBC utiliza NumPy y AstroPy bajo su cubierta para proporcionar interfaces basadas en objetos a utilidades, herramientas y métodos para el estudio de datos provenientes de detectores de ondas gravitacionales.

Gráfico de dependencias que muestra cómo depende el paquete GwPy de NumPy#

Gráfico de dependencias que muestra cómo el paquete PyCBC depende de NumPy#

Resumen#

Capacidades clave de NumPy utilizadas#

On this page

\ No newline at end of file diff --git a/es/case-studies/index.html b/es/case-studies/index.html index 1772123..a368254 100644 --- a/es/case-studies/index.html +++ b/es/case-studies/index.html @@ -8,6 +8,5 @@

Case-Studies

\ No newline at end of file diff --git a/es/citing-numpy/index.html b/es/citing-numpy/index.html index 043e28d..9889951 100644 --- a/es/citing-numpy/index.html +++ b/es/citing-numpy/index.html @@ -31,6 +31,5 @@ doi = {10.1038/s41586-020-2649-2}, publisher = {Springer Science and Business Media {LLC}}, url = {https://doi.org/10.1038/s41586-020-2649-2} -}

On this page

\ No newline at end of file diff --git a/es/code-of-conduct/index.html b/es/code-of-conduct/index.html index c22b39f..cb9d150 100644 --- a/es/code-of-conduct/index.html +++ b/es/code-of-conduct/index.html @@ -8,6 +8,5 @@

Código de conducta de NumPy

Introducción#

Este Código de Conducta aplica en todos los espacios gestionados por el proyecto NumPy, incluyendo todas las listas de correo públicas y privadas, gestores de incidencias, wikis, blogs, X (antes llamado Twitter) y cualquier otro canal de comunicación utilizado por nuestra comunidad. El proyecto NumPy no organiza eventos en persona; sin embargo, los eventos relacionados con nuestra comunidad deben tener un código de conducta similar a este.

Este Código de Conducta debe ser respetado por todos los que participan en la comunidad NumPy formalmente o informalmente, o reclaman cualquier afiliación con el proyecto, en cualquier actividad relacionada con el proyecto y especialmente cuando representan el proyecto de cualquier manera.

Este código no es exhaustivo ni completo. Sirve para sintetizar nuestro entendimiento común de un entorno y unos objetivos compartidos y de colaboración. Por favor, intenta seguir este código tanto en el espíritu como en la letra, para crear un ambiente cordial y productivo que enriquezca a la comunidad circundante.

Directrices Específicas#

Nos esforzamos por:

Ser abiertos. Invitamos a todas las personas a participar en nuestra comunidad. Preferimos utilizar métodos de comunicación públicos para los mensajes relacionados con el proyecto, a menos que se trate de algo delicado. Esto se aplica también a los mensajes de ayuda o soporte relacionados con el proyecto; no sólo es mucho más probable que una solicitud de soporte pública dé lugar a una respuesta a una pregunta, sino que también garantiza que cualquier error involuntario en la respuesta se detecte y corrija más fácilmente.
Ser empáticos, cordiales, amables y pacientes. Trabajamos juntos para resolver los conflictos y asumimos que hay buenas intenciones. Todos podemos experimentar cierta frustración de vez en cuando, pero no permitimos que la frustración se convierta en un ataque personal. Una comunidad en la que la gente se siente incómoda o amenazada no es productiva.
Ser colaborativos. Nuestro trabajo será utilizado por otras personas, y a su vez dependeremos del trabajo de otros. Cuando hacemos algo en beneficio del proyecto, estamos dispuestos a explicar a otros cómo funciona, de manera que puedan construir sobre este trabajo para hacerlo aún mejor. Cualquier decisión que tomemos afectará a usuarios y colegas, y nos tomamos en serio esas consecuencias a la hora de tomar decisiones.
Ser curiosos. ¡Nadie lo sabe todo! Hacer preguntas tempranas evita muchos problemas posteriores, por lo que fomentamos las preguntas, aunque las podamos redirigir al foro adecuado. Nos esforzaremos por ser receptivos y útiles.
Ser cuidadosos con las palabras que elegimos. Somos cuidadosos y respetuosos en nuestra comunicación, y asumimos la responsabilidad del lenguaje que utilizamos. Ser amables con los demás. No insultes ni menosprecies a los demás participantes. No aceptaremos el acoso ni otros comportamientos excluyentes, tales como:
- Amenazas o expresiones violentas dirigidas a otra persona.
- Bromas y lenguaje sexista, racista o discriminatorio.
- Publicar material sexualmente explícito o violento.
- Publicar (o amenazar con publicar) información de identificación personal de otras personas (“doxing”).
- Compartir contenido privado, como correos electrónicos enviados de forma privada o no pública, o foros no registrados como el historial de canales IRC, sin el consentimiento del remitente.
- Insultos personales, especialmente aquellos que utilizan términos racistas o sexistas.
- Atención sexual no deseada.
- Uso excesivo de lenguaje inapropiado. Por favor, evite las palabras soeces; las personas difieren mucho en su sensibilidad a las malas palabras.
- Acoso reiterado a los demás. En general, si alguien le pide que se detenga, entonces deténgase.
- Abogar o alentar cualquiera de las conductas anteriormente mencionadas.

Declaración de Diversidad#

El proyecto NumPy acoge y fomenta la participación de todos. Estamos comprometidos a ser una comunidad de la que todo el mundo disfrute ser parte. Aunque puede que no siempre seamos capaces de satisfacer las preferencias de cada individuo, intentamos al máximo tratar a todos con amabilidad.

No importa cómo te identifiques o cómo te perciban los demás: te damos la bienvenida. Aunque ninguna lista puede esperar ser exhaustiva, honramos explícitamente la diversidad en: edad, cultura, etnia, genotipo, identidad o expresión de género, lengua, origen nacional, neurotipo, fenotipo, creencias políticas, profesión, raza, religión, orientación sexual, estatus socioeconómico, subcultura y capacidad técnica, en la medida en que éstas no entren en conflicto con este código de conducta.

Aunque aceptamos a personas con dominio de cualquier idioma, el desarrollo de NumPy se lleva a cabo en inglés.

Los estándares de comportamiento en la comunidad NumPy se detallan en el Código de Conducta anterior. Los participantes de nuestra comunidad deben respetar estos estándares en todas sus interacciones y ayudar a los demás a hacer lo mismo (véase la siguiente sección).

Directrices Para La Presentación De Informes#

Sabemos que es dolorosamente común que la comunicación en Internet comience o se convierta en un abuso evidente y manifiesto. También reconocemos que a veces la gente puede tener un mal día, o no ser consciente de algunas de las directrices de este Código de Conducta. Por favor, tenga esto en cuenta a la hora de decidir cómo responder a una violación de este Código.

En caso de infracciones claramente intencionadas, informe de éstas al Comité de Código de Conducta (ver más abajo). En caso de infracciones posiblemente involuntarias, puede responder a la persona y señalar este código de conducta (tanto en público como en privado, lo que sea más apropiado). Si prefiere no hacerlo, por favor siéntase libre de informar directamente al Comité de Código de Conducta o de pedirle consejo a éste de forma confidencial.

Puede informar de los problemas al Comité de Código de Conducta de NumPy en numpy-conduct@googlegroups.com.

Actualmente, el Comité está compuesto por:

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.

Resolución de reporte de informes & aplicación del Código de Conducta#

Esta sección resume los puntos más importantes, puede encontrar más detalles en el Código de Conducta de NumPy - Cómo hacer seguimiento a un informe.

Investigaremos y responderemos a todas las quejas. El Comité de Código de Conducta de NumPy y el Consejo Directivo de NumPy (en caso de estar involucrado) protegerán la identidad del denunciante y tratarán el contenido de las denuncias con carácter confidencial (a menos que el denunciante acuerde lo contrario).

En caso de infracciones graves y evidentes, por ejemplo, amenaza personal o lenguaje violento, sexista o racista, desconectaremos inmediatamente al originador de los canales de comunicación de NumPy; por favor consulte el manual para obtener más detalles.

En casos que no impliquen violaciones claras y graves u obvias de este Código de Conducta, el proceso de actuación sobre cualquier informe de violación del Código de Conducta recibido será:

acusar recibo del informe,
una discusión/retroalimentación razonable,
mediación (si la retroalimentación no fue útil, y únicamente si tanto el denunciante como el denunciado están de acuerdo con ello),
aplicación a través de una decisión transparente (ver Resoluciones) por parte del Comité de Código de conducta.

El Comité responderá a cualquier informe lo antes posible y dentro de un plazo máximo de 72 horas.

Notas finales#

Damos las gracias a los grupos que están detrás de los siguientes documentos, de los que hemos sacado contenido e inspiración:

El Código de Conducta de SciPy

On this page

Código de conducta de NumPy

Introducción#

Directrices Específicas#

Nos esforzamos por:

Ser abiertos. Invitamos a todas las personas a participar en nuestra comunidad. Preferimos utilizar métodos de comunicación públicos para los mensajes relacionados con el proyecto, a menos que se trate de algo delicado. Esto se aplica también a los mensajes de ayuda o soporte relacionados con el proyecto; no sólo es mucho más probable que una solicitud de soporte pública dé lugar a una respuesta a una pregunta, sino que también garantiza que cualquier error involuntario en la respuesta se detecte y corrija más fácilmente.
Ser empáticos, cordiales, amables y pacientes. Trabajamos juntos para resolver los conflictos y asumimos que hay buenas intenciones. Todos podemos experimentar cierta frustración de vez en cuando, pero no permitimos que la frustración se convierta en un ataque personal. Una comunidad en la que la gente se siente incómoda o amenazada no es productiva.
Ser colaborativos. Nuestro trabajo será utilizado por otras personas, y a su vez dependeremos del trabajo de otros. Cuando hacemos algo en beneficio del proyecto, estamos dispuestos a explicar a otros cómo funciona, de manera que puedan construir sobre este trabajo para hacerlo aún mejor. Cualquier decisión que tomemos afectará a usuarios y colegas, y nos tomamos en serio esas consecuencias a la hora de tomar decisiones.
Ser curiosos. ¡Nadie lo sabe todo! Hacer preguntas tempranas evita muchos problemas posteriores, por lo que fomentamos las preguntas, aunque las podamos redirigir al foro adecuado. Nos esforzaremos por ser receptivos y útiles.
Ser cuidadosos con las palabras que elegimos. Somos cuidadosos y respetuosos en nuestra comunicación, y asumimos la responsabilidad del lenguaje que utilizamos. Ser amables con los demás. No insultes ni menosprecies a los demás participantes. No aceptaremos el acoso ni otros comportamientos excluyentes, tales como:
- Amenazas o expresiones violentas dirigidas a otra persona.
- Bromas y lenguaje sexista, racista o discriminatorio.
- Publicar material sexualmente explícito o violento.
- Publicar (o amenazar con publicar) información de identificación personal de otras personas (“doxing”).
- Compartir contenido privado, como correos electrónicos enviados de forma privada o no pública, o foros no registrados como el historial de canales IRC, sin el consentimiento del remitente.
- Insultos personales, especialmente aquellos que utilizan términos racistas o sexistas.
- Atención sexual no deseada.
- Uso excesivo de lenguaje inapropiado. Por favor, evite las palabras soeces; las personas difieren mucho en su sensibilidad a las malas palabras.
- Acoso reiterado a los demás. En general, si alguien le pide que se detenga, entonces deténgase.
- Abogar o alentar cualquiera de las conductas anteriormente mencionadas.

Declaración de Diversidad#

Aunque aceptamos a personas con dominio de cualquier idioma, el desarrollo de NumPy se lleva a cabo en inglés.

Directrices Para La Presentación De Informes#

Puede informar de los problemas al Comité de Código de Conducta de NumPy en numpy-conduct@googlegroups.com.

Actualmente, el Comité está compuesto por:

Stefan van der Walt
Melissa Weber Mendonça
Rohit Goswami

Resolución de reporte de informes & aplicación del Código de Conducta#

Esta sección resume los puntos más importantes, puede encontrar más detalles en el Código de Conducta de NumPy - Cómo hacer seguimiento a un informe.

En casos que no impliquen violaciones claras y graves u obvias de este Código de Conducta, el proceso de actuación sobre cualquier informe de violación del Código de Conducta recibido será:

acusar recibo del informe,
una discusión/retroalimentación razonable,
mediación (si la retroalimentación no fue útil, y únicamente si tanto el denunciante como el denunciado están de acuerdo con ello),
aplicación a través de una decisión transparente (ver Resoluciones) por parte del Comité de Código de conducta.

El Comité responderá a cualquier informe lo antes posible y dentro de un plazo máximo de 72 horas.

Notas finales#

Damos las gracias a los grupos que están detrás de los siguientes documentos, de los que hemos sacado contenido e inspiración:

El Código de Conducta de SciPy

On this page

\ No newline at end of file diff --git a/es/community/index.html b/es/community/index.html index 57afba1..52bea08 100644 --- a/es/community/index.html +++ b/es/community/index.html @@ -9,6 +9,5 @@

Comunidad

NumPy es un proyecto de código abierto impulsado por la comunidad y desarrollado por un grupo diverso de colaboradores. El liderazgo de NumPy se ha comprometido firmemente a crear una comunidad abierta, inclusiva y positiva. Por favor, lee el Código de Conducta de NumPy para obtener orientación sobre cómo interactuar con los demás de una manera que haga que la comunidad prospere.

Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.

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.

Lista de correo de NumPy #

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.

Seguimiento de incidencias en GitHub #

Para informes de error (por ejemplo, “np.arange(3).shape devuelve (5,), cuando debería devolver (3,)”);
problemas en la documentación (por ejemplo, “Esta sección me pareció poco clara”);
y solicitudes de funcionalidades (por ejemplo, “Me gustaría tener un nuevo método de interpolación en np.percentile”).

Ten en cuenta que GitHub no es el lugar adecuado para reportar una vulnerabilidad de seguridad. Si crees que has encontrado una vulnerabilidad de seguridad en NumPy, por favor repórtalo aquí.

Slack #

Una sala de chat en tiempo real para hacer preguntas sobre las contribuciones a NumPy. Este es un espacio privado, destinado específicamente a las personas que no se atreven a plantear sus preguntas o ideas en la lista de correo pública o en GitHub. Por favor, visita aquí para más detalles, y sobre cómo obtener una invitación.

Grupos de Estudio y Reuniones#

Si desea encontrar un grupo de estudio o reunión local para aprender más sobre NumPy y el ecosistema más amplio de paquetes de Python para ciencia de datos y computación científica, te recomendamos que explores los PyData meetups (más de 150 reuniones, más de 100,000 miembros).

NumPy también organiza ocasionalmente sprints presenciales para su equipo y colaboradores interesados. Estos normalmente se planifican con varios meses de anticipación y se anunciarán en la lista de correo y en X (antes conocido como Twitter).

Conferencias#

El proyecto NumPy no organiza sus propias conferencias. Las conferencias que tradicionalmente han sido más populares entre los responsables, colaboradores y usuarios de NumPy son la serie de conferencias de SciPy y PyData:

SciPy US
EuroSciPy
SciPy Latinoamérica
SciPy India
SciPy Japan
Conferencias PyData (de 15 a 20 eventos al año, repartidos entre muchos países)

Muchas de estas conferencias incluyen tutoriales y/o sprints que cubren NumPy, en donde puedes aprender cómo contribuir a Numpy o proyectos de código abierto relacionados.

Únete a la comunidad NumPy#

Para prosperar, el proyecto NumPy necesita tu experiencia y entusiasmo. ¿No sabes programar? ¡No es un problema! Hay muchas maneras de contribuir a NumPy.

Si te interesa colaborar en NumPy (¡hurra!) te recomendamos que visites nuestra página Contribuir.

No dudes en pasar a saludarnos en uno de nuestros encuentros de la comunidad. Para enterarte del próximo, consulta nuestro calendario de eventos aquí.

On this page

Comunidad

Ofrecemos varios canales de comunicación para aprender, compartir conocimientos y conectarse con otros dentro de la comunidad de NumPy.

Participa en línea#

Lista de correo de NumPy #

Seguimiento de incidencias en GitHub #

Para informes de error (por ejemplo, “np.arange(3).shape devuelve (5,), cuando debería devolver (3,)”);
problemas en la documentación (por ejemplo, “Esta sección me pareció poco clara”);
y solicitudes de funcionalidades (por ejemplo, “Me gustaría tener un nuevo método de interpolación en np.percentile”).

Ten en cuenta que GitHub no es el lugar adecuado para reportar una vulnerabilidad de seguridad. Si crees que has encontrado una vulnerabilidad de seguridad en NumPy, por favor repórtalo aquí.

Slack #

Grupos de Estudio y Reuniones#

Conferencias#

SciPy US
EuroSciPy
SciPy Latinoamérica
SciPy India
SciPy Japan
Conferencias PyData (de 15 a 20 eventos al año, repartidos entre muchos países)

Muchas de estas conferencias incluyen tutoriales y/o sprints que cubren NumPy, en donde puedes aprender cómo contribuir a Numpy o proyectos de código abierto relacionados.

Únete a la comunidad NumPy#

Para prosperar, el proyecto NumPy necesita tu experiencia y entusiasmo. ¿No sabes programar? ¡No es un problema! Hay muchas maneras de contribuir a NumPy.

Si te interesa colaborar en NumPy (¡hurra!) te recomendamos que visites nuestra página Contribuir.

No dudes en pasar a saludarnos en uno de nuestros encuentros de la comunidad. Para enterarte del próximo, consulta nuestro calendario de eventos aquí.

On this page

\ No newline at end of file diff --git a/es/contribute/index.html b/es/contribute/index.html index f181484..0f51884 100644 --- a/es/contribute/index.html +++ b/es/contribute/index.html @@ -10,6 +10,5 @@

Contribuye a NumPy

¡El proyecto NumPy agradece tu experiencia y entusiasmo! Tus opciones no se limitan a la programación. Como puedes ver más abajo, existen muchas áreas en las que necesitamos tu ayuda.

Si no estás seguro por dónde empezar o cómo encajan tus habilidades, ¡acércate! Puedes preguntar en la lista de correos o GitHub (abre una propuesta o comenta en una relevante).

Estos son nuestros canales preferidos (el código abierto es abierto por naturaleza), pero si prefieres hablar de manera privada, contacta a nuestros coordinadores de la comunidad en numpy-team@googlegroups.com o en Slack (escribe a numpy-team@googlegroups.com para recibir una invitación).

También hacemos llamadas a la comunidad de manera quincenal, cuyos detalles se anuncian en la lista de correo. Te invitamos a unirte. Si es la primera vez que contribuyes al código abierto, también te recomendamos encarecidamente que leas esta guía.

Nuestra comunidad aspira a tratar a todos por igual y a valorar todas las contribuciones. Tenemos un Código de Conducta para fomentar un entorno abierto y acogedor.

Escribiendo código#

Programadores, esta guía explica cómo contribuir al código base.
También revisa nuestro canal de YouTube 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

Creando material educativo#

La Guía de usuario de NumPy está en proceso de rehabilitación. Necesitamos nuevos tutoriales, instrucciones y explicaciones detalladas, y la página necesita una reestructuración. Las oportunidades no se limitan a escritores. También ejemplos prácticos, notebooks y vídeos. La propuesta NEP 44 - Reestructuración de la Documentación NumPy expone nuestras ideas – y tal vez tú puedas tener otras.

Clasificación de propuestas#

El rastreador de propuestas de NumPy tiene muchos temas abiertos. Algunos ya no son válidos, otros deberían priorizarse y otros serían buenos temas para nuevos colaboradores. Puedes:

revisar si errores antiguos siguen presentes
encontrar problemas duplicados, y enlazar las relacionadas
añadir la forma de reproducir siempre el mismo problema
etiquetar correctamente los problemas (para ello es necesario tener derechos de categorización, solo necesitas preguntar)

Por favor, solo sumérgete.

Desarrollo de la Página Web#

Acabamos de renovar nuestro sitio web, pero aún no hemos terminado. Si te gusta el desarrollo web, estas incidencias enumeran algunas de nuestras necesidades insatisfechas – y no dudes en compartir tus propias ideas.

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.

Traduciendo el contenido de la página web#

Planeamos múltiples traducciones de numpy.org para hacer a NumPy accesible a los usuarios en su lengua materna. Los traductores voluntarios son el núcleo de este esfuerzo. Consulta aquí para más información; comenta en este tema de GitHub para inscribirte.

Coordinación y divulgación de la comunidad#

A través del contacto con la comunidad compartimos nuestro trabajo más ampliamente, y aprendemos en dónde nos estamos quedando cortos. Estamos ansiosos por conseguir más gente involucrada en esfuerzos como nuestra cuenta de X (antes llamado Twitter), organizando code sprints de NumPy, un boletín y quizás un blog.

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 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

On this page

Contribuye a NumPy

¡El proyecto NumPy agradece tu experiencia y entusiasmo! Tus opciones no se limitan a la programación. Como puedes ver más abajo, existen muchas áreas en las que necesitamos tu ayuda.

Si no estás seguro por dónde empezar o cómo encajan tus habilidades, ¡acércate! Puedes preguntar en la lista de correos o GitHub (abre una propuesta o comenta en una relevante).

Nuestra comunidad aspira a tratar a todos por igual y a valorar todas las contribuciones. Tenemos un Código de Conducta para fomentar un entorno abierto y acogedor.

Escribiendo código#

Programadores, esta guía explica cómo contribuir al código base.
También revisa nuestro canal de YouTube por consejos adicionales.

Revisando solicitudes de cambios#

resumir un debate extenso
categorizar documentación de solicitudes de incorporación de cambios
probar los cambios propuestos

Creando material educativo#

Clasificación de propuestas#

El rastreador de propuestas de NumPy tiene muchos temas abiertos. Algunos ya no son válidos, otros deberían priorizarse y otros serían buenos temas para nuevos colaboradores. Puedes:

revisar si errores antiguos siguen presentes
encontrar problemas duplicados, y enlazar las relacionadas
añadir la forma de reproducir siempre el mismo problema
etiquetar correctamente los problemas (para ello es necesario tener derechos de categorización, solo necesitas preguntar)

Por favor, solo sumérgete.

Desarrollo de la Página Web#

Diseño gráfico#

Traduciendo el contenido de la página web#

Coordinación y divulgación de la comunidad#

Recaudación de fondos#

Donar#

Si deseas contribuir a NumPy haciendo una donación, visita https://numpy.org/about/#donate

On this page

\ No newline at end of file diff --git a/es/gethelp/index.html b/es/gethelp/index.html index 0ae7ba0..672398d 100644 --- a/es/gethelp/index.html +++ b/es/gethelp/index.html @@ -10,6 +10,5 @@

Buscar Ayuda

Problemas de desarrollo: Para asuntos relacionados con el desarrollo de NumPy (por ejemplo, informes de errores), por favor consulte la sección de Comunidad.

Preguntas de los usuarios: La mejor manera de obtener ayuda es publicar tu pregunta en un sitio como StackOverflow o Reddit. Nos gustaría poder estar al tanto de estos sitios, o responder preguntas de manera directa, ¡pero el volumen es algo abrumador!

StackOverflow #

Un foro para hacer preguntas de uso, como por ejemplo: “¿Cómo hago X cosa en NumPy?”. Por favor usa la etiqueta #numpy

Reddit #

Otro foro para hacer preguntas de uso.

On this page

Buscar Ayuda

Problemas de desarrollo: Para asuntos relacionados con el desarrollo de NumPy (por ejemplo, informes de errores), por favor consulte la sección de Comunidad.

StackOverflow #

Un foro para hacer preguntas de uso, como por ejemplo: “¿Cómo hago X cosa en NumPy?”. Por favor usa la etiqueta #numpy

Reddit #

Otro foro para hacer preguntas de uso.

On this page

\ No newline at end of file diff --git a/es/history/index.html b/es/history/index.html index bb7bbc7..07065cd 100644 --- a/es/history/index.html +++ b/es/history/index.html @@ -8,6 +8,5 @@

Historia de NumPy

NumPy es una librería fundamental de Python que proporciona estructuras de datos de arreglos y rutinas numéricas rápidas relacionadas. Cuando se puso en marcha, la librería contaba con escasos fondos y la escribían principalmente estudiantes de posgrado, muchos de ellos sin formación en ciencias de la computación y, a menudo, sin la bendición de sus asesores. Imaginar siquiera que un pequeño grupo de estudiantes programadores “rebeldes” pudiera derribar el ecosistema de software de investigación, ya establecido y respaldado por millones en financiación y cientos de ingenieros altamente cualificados, era absurdo. Sin embargo, las motivaciones filosóficas detrás de la pila de herramientas totalmente abierta, en combinación con una comunidad entusiasta y amigable con un enfoque singular, han demostrado ser favorable a largo plazo. Hoy en día, científicos, ingenieros y muchos otros profesionales en todo el mundo confían en NumPy. Por ejemplo, los scripts publicados usados en el análisis de ondas gravitacionales importan NumPy, y el proyecto de imagen del agujero negro M87 cita directamente a NumPy.

Para conocer en profundidad los hitos en el desarrollo de NumPy y las librerías relacionadas, consulta arxiv.org.

Si deseas obtener una copia de las librerías originales Numeric y Numarray, sigue los siguientes enlaces:

Página de Descarga de Numeric*

Página de Descarga de Numarray*

*_{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’

On this page

Historia de NumPy

Para conocer en profundidad los hitos en el desarrollo de NumPy y las librerías relacionadas, consulta arxiv.org.

Si deseas obtener una copia de las librerías originales Numeric y Numarray, sigue los siguientes enlaces:

Página de Descarga de Numeric*

Página de Descarga de Numarray*

Documentación Histórica#

Descarga el Manual de `Numeric’

On this page

\ No newline at end of file diff --git a/es/index.html b/es/index.html index c3b2bf7..5466828 100644 --- a/es/index.html +++ b/es/index.html @@ -49,6 +49,5 @@ Machine Learning

Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy.

NumPy aporta la potencia de cálculo de lenguajes como C y Fortran a Python, un lenguaje mucho más fácil de aprender y utilizar. Con esta potencia viene la sencillez: una solución en NumPy suele ser clara y elegante.

Computación Cuántica
Computación Estadística
Procesamiento de Señales
Procesamiento de Imágenes
Grafos y Redes
Astronomía
Psicología Cognitiva
- PsychoPy
Bioinformática
Inferencia Bayesiana
Análisis Matemático
Química
Geociencia
Procesamiento Geográfico
Arquitectura e Ingeniería

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.

	Librería de arreglos	Capacidades y áreas de aplicación
	Dask	Arreglos distribuidos y paralelismo avanzado para análisis, que permiten un rendimiento a escala.
	CuPy	Librería de arreglos compatible con NumPy para cálculo acelerado en la GPU con Python.
	JAX	Transformaciones componibles de programas NumPy: diferenciar, vectorizar, compilación justo-a-tiempo a GPU/TPU.
	Xarray	Arreglos multidimensionales indexados y etiquetados para análisis y visualización avanzados.
	Sparse	Librería de arreglos dispersos compatible con NumPy que se integra con el álgebra lineal dispersa de Dask y SciPy.
	PyTorch	Marco de aprendizaje profundo que acelera el camino desde la creación de prototipos de investigación hasta la implantación en producción.
	TensorFlow	Una plataforma integral de aprendizaje automático para crear y desplegar fácilmente aplicaciones basadas en ML.
	Arrow	Plataforma de desarrollo multilingüe para datos y análisis columnares en memoria.
	xtensor	Arreglos multidimensionales con difusión y computación perezosa para análisis numérico.
	Awkward Array	Manipular datos similares a JSON con expresiones similares a NumPy.
	uarray	Sistema de backend de Python que desacopla la API de la implementación; unumpy proporciona una API de NumPy.
	tensorly	Aprendizaje tensorial, álgebra y backends para usar de manera fluida NumPy, PyTorch, TensorFlow o CuPy.
	Blosc2	Cálculo acelerado con arrays comprimidos en memoria, en disco o remotos.

NumPy es el núcleo de un rico ecosistema de librerías de ciencia de datos. Un flujo de trabajo exploratorio típico de ciencia de datos podría verse así:

Extraer, Transformar, Cargar: Pandas, Intake, PyJanitor
Análisis Exploratorio: Jupyter, Seaborn, Matplotlib, Altair
Modelado y evaluación: scikit-learn, statsmodels, PyMC, spaCy
Informes en un panel de control: Dash, Panel, Voila

Para grandes volúmenes de datos, Dask y Ray están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos (DVC), rastreo de experimentos (MLFlow), y automatización del flujo de trabajo (Airflow, Dagster y Prefect).

Source: Google AI Blog

NumPy constituye la base de potentes librerías de aprendizaje automático como scikit-learn y SciPy. A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de TensorFlow tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. PyTorch, otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural.

Las técnicas estadísticas denominadas métodos ensemble, como binning, bagging, stacking y boosting, se encuentran entre los algoritmos de ML implementados por herramientas como XGBoost, LightGBM y CatBoost — uno de los motores de inferencia más rápidos. Yellowbrick y Eli5 ofrecen visualizaciones de aprendizaje automático.

Un diagrama de flujo hecho en matplotlib

Un gráfico de pares de dos tipos de gráficos, un gráfico de trazado y un gráfico de frecuencias hecho en seaborn

Un renderizado de volumen 3D realizado en PyVista.

Una imagen multidimensional hecha en napari.

NumPy es un componente esencial en el floreciente panorama de visualización de Python, que incluye Matplotlib, Seaborn, Plotly, Altair, Bokeh, Holoviz, Vispy, Napari, y PyVista, por nombrar algunos.

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.

CASOS DE ESTUDIO

Primera imagen de un Agujero Negro

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

Detección de Ondas Gravitacionales

En 1916 Albert Einstein predijo las ondas gravitacionales; 100 años después se confirmó su existencia por científicos del LIGO, utilizando NumPy.

Analíticas Deportivas

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.

Estimación de la pose mediante aprendizaje profundo

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.

Thank you! 🎉

+Visualization

Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy.

Computación Cuántica
Computación Estadística
Procesamiento de Señales
Procesamiento de Imágenes
Grafos y Redes
Astronomía
Psicología Cognitiva
- PsychoPy
Bioinformática
Inferencia Bayesiana
Análisis Matemático
Química
Geociencia
Procesamiento Geográfico
Arquitectura e Ingeniería

	Librería de arreglos	Capacidades y áreas de aplicación
	Dask	Arreglos distribuidos y paralelismo avanzado para análisis, que permiten un rendimiento a escala.
	CuPy	Librería de arreglos compatible con NumPy para cálculo acelerado en la GPU con Python.
	JAX	Transformaciones componibles de programas NumPy: diferenciar, vectorizar, compilación justo-a-tiempo a GPU/TPU.
	Xarray	Arreglos multidimensionales indexados y etiquetados para análisis y visualización avanzados.
	Sparse	Librería de arreglos dispersos compatible con NumPy que se integra con el álgebra lineal dispersa de Dask y SciPy.
	PyTorch	Marco de aprendizaje profundo que acelera el camino desde la creación de prototipos de investigación hasta la implantación en producción.
	TensorFlow	Una plataforma integral de aprendizaje automático para crear y desplegar fácilmente aplicaciones basadas en ML.
	Arrow	Plataforma de desarrollo multilingüe para datos y análisis columnares en memoria.
	xtensor	Arreglos multidimensionales con difusión y computación perezosa para análisis numérico.
	Awkward Array	Manipular datos similares a JSON con expresiones similares a NumPy.
	uarray	Sistema de backend de Python que desacopla la API de la implementación; unumpy proporciona una API de NumPy.
	tensorly	Aprendizaje tensorial, álgebra y backends para usar de manera fluida NumPy, PyTorch, TensorFlow o CuPy.
	Blosc2	Cálculo acelerado con arrays comprimidos en memoria, en disco o remotos.

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".

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:

Extraer, Transformar, Cargar: Pandas, Intake, PyJanitor
Análisis Exploratorio: Jupyter, Seaborn, Matplotlib, Altair
Modelado y evaluación: scikit-learn, statsmodels, PyMC, spaCy
Informes en un panel de control: Dash, Panel, Voila

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".

An animated gif showing a three-dimensional graph of embeddings made in Tensorflow.

Source: Google AI Blog

NumPy es un componente esencial en el floreciente panorama de visualización de Python, que incluye Matplotlib, Seaborn, Plotly, Altair, Bokeh, Holoviz, Vispy, Napari, y PyVista, por nombrar algunos.

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.

CASOS DE ESTUDIO

Primera imagen de un Agujero Negro

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

Detección de Ondas Gravitacionales

En 1916 Albert Einstein predijo las ondas gravitacionales; 100 años después se confirmó su existencia por científicos del LIGO, utilizando NumPy.

Analíticas Deportivas

Estimación de la pose mediante aprendizaje profundo

\ No newline at end of file diff --git a/es/install/index.html b/es/install/index.html index f7d35a7..65ca01c 100644 --- a/es/install/index.html +++ b/es/install/index.html @@ -17,6 +17,5 @@ # El comando de instalación conda install numpy

PIP

Si utiliza pip, puede instalar NumPy con:

pip install numpy

También al utilizar pip, es buena práctica utilizar un entorno virtual - vea Instalaciones Reproducibles a continuación para saber por qué, y esta guía para más detalles sobre el uso de entornos virtuales.

Guía de instalación de Python y NumPy#

Instalar y administrar paquetes en Python es complicado, hay un número de soluciones alternativas para la mayoría de tareas. Esta guía intenta dar al lector una idea de las mejores (o más populares) soluciones y dar recomendaciones claras. Se enfoca en los usuarios de Python, NumPy y del stack de PyData (o computación numérica) en sistemas operativos y hardware comunes.

Recomendaciones#

Empezaremos con recomendaciones basadas en el nivel de experiencia del usuario y el sistema operativo de interés. Si se encuentra entre “principiante” y “avanzado”, por favor diríjase a “principiante” si quiere mantener las cosas simples, y a “avanzado” si quiere trabajar de acuerdo a las mejores prácticas que le servirán de mucho en el futuro.

Usuarios principiantes#

Tanto en Windows, macOS y Linux:

Instale Anaconda (esto instala todos los paquetes que necesita y todas las demás herramientas mencionadas a continuación).
Para escribir y ejecutar código, utilice notebooks en JupyterLab para computación exploratoria e interactiva, y Spyder o Visual Studio Code para escribir scripts y paquetes.
Utilice Anaconda Navigator para administrar sus paquetes e iniciar JupyterLab, Spyder o Visual Studio Code.

Usuarios avanzados#

Conda#

Instale Miniforge.
Mantenga el entorno conda base mínimo, y utilice uno o más entornos conda para instalar el paquete que necesite para la tarea o proyecto en que está trabajando.

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, Homebrew o su administrador de paquetes Linux.
Utilice Poetry como la herramienta mejor mantenida que proporciona una resolución de dependencias y capacidades de administración de entornos de forma similar a la que lo hace conda.

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 complementario a pip. Para computación de alto rendimiento (HPC), Spack amerita ser considerado. Sin embargo, para la mayoría de usuarios de NumPy, conda y pip son las dos herramientas más populares.

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.

La primera diferencia radica en que conda es multi-lenguaje y puede instalar Python, mientras que pip es instalado para una versión particular de Python en su sistema e instala paquetes para esa misma versión de Python solamente. Esto también significa que conda puede instalar librerías que no sean de Python y herramientas que usted pueda necesitar (por ejemplo, compiladores, CUDA, HDF5), mientras que pip no.

La segunda diferencia es que pip instala desde el Índice de Empaquetado de Python (PyPI - Python Packaging Index), mientras que conda instala desde sus propios canales (típicamente “defaults” o “conda-forge”). PyPI es, de lejos, la colección de paquetes más grande; sin embargo, todos los paquetes populares están también disponibles para conda.

La tercera diferencia consiste en que conda es una solución integrada para gestionar paquetes, dependencias y entornos; mientras que con pip, usted podría necesitar otra herramienta (hay muchas!) para manejar entornos o dependencias complejas.

Instalaciones reproducibles#

En la medida en que las librerías son actualizadas, los resultados al correr su código pueden cambiar, o su código puede fallar por completo. Es importante que sea capaz de reconstruir el conjunto de paquetes y versiones que usted está utilizando. La mejor práctica es:

usar un entorno diferente por cada proyecto en el cual usted esté trabajando,
almacenar los nombres de paquetes y versiones utilizando su instalador de paquetes, cada uno de los cuales tiene su propio formato de metadata para esto:
- Conda: entornos conda y environment.yml
- Pip: entornos virtuales y requirements.txt
- Poetry: entornos virtuales y pyproject.toml

Paquetes NumPy & librerías de álgebra lineal aceleradas#

NumPy no depende de ningún otro paquete de Python; sin embargo, sí depende de una librería de álgebra lineal acelerada - típicamente Intel MKL u OpenBLAS. Los usuarios no tienen que preocuparse por instalar éstas (se incluyen automáticamente en todos los métodos de instalación de NumPy). Los usuarios avanzados podrían querer, de todas maneras, conocer los detalles, ya que la utilización BLAS puede afectar el desempeño, comportamiento y tamaño en disco:

Las ruedas NumPy en PyPI, que son los que pip instala, están construidas con OpenBLAS. Las librerías de OpenBLAS están incluidas en la rueda. Esto vuelve a la rueda más grande, y si un usuario instala (por ejemplo) SciPy también, tendrá dos copias de OpenBLAS en disco.
En el canal defaults o predeterminado de conda, NumPy está basado en Intel MKL. MKL es un paquete separado que se instalará en el entorno de usuario al instalar NumPy.
En el canal conda-forge, Numpy está basado en un paquete “BLAS” ficticio o dummy. Cuando un usuario instala NumPy desde conda-forge, ese paquete BLAS es instalado junto con la librería - éste por defecto es OpenBLAS, pero también puede ser MKL (desde el canal defaults o predeterminado), o incluso BLIS o referencia BLAS.
El paquete MKL es mucho más grande que OpenBLAS, de alrededor de 700 MB en disco, mientras que OpenBLAS es aproximadamente de 30MB.
MKL es normalmente un poco más rápido y más robusto que OpenBLAS.

Además del tamaño de instalación, desempeño y robustez, hay dos aspectos más a considerar:

Intel MKL no es de código abierto. Para uso normal esto no es un problema, pero si un usuario necesita redistribuir una aplicación construida con NumPy, esto podría ser un inconveniente.
MKL y OpenBLAS utilizan funciones multihilo como np.dot, siendo el número de hilos determinado tanto por una opción de tiempo de compilación como por una variable de entorno. Todos los núcleos de la CPU usualmente serán utilizados. Esto es en ocasiones inesperado para los usuarios. NumPy en sí mismo no paraleliza automáticamente ninguna llamada a función. Normalmente produce un mejor rendimiento, pero también puede ser perjudicial - por ejemplo cuando se utiliza otro nivel de paralelización con Dask, el aprendizaje de la ciencia o multiprocesamiento.

Resolución de problemas#

Si su instalación falla con el siguiente mensaje, revise el siguiente enlace Resolución de problemas ImportError.

¡IMPORTANTE: POR FAVOR LEA ESTO COMO SUGERENCIA PARA RESOLVER ESTE PROBLEMA!
 
-La importación de las extensiones-c de numpy falló. Este error puede ocurrir por varias razones, siendo frecuente debido a problemas con su configuración.

On this page

Aprende

Para la documentación oficial de NumPy visita numpy.org/doc/stable.

A continuación se muestra una colección de recursos educativos, tanto para el autoaprendizaje como para enseñar a otros, desarrollados por colaboradores de NumPy y aprobados por la comunidad.

Principiantes#

Hay un montón de información sobre NumPy allá afuera. Si eres nuevo, te recomendamos encarecidamente estos:

Tutoriales

Tutorial de inicio rápido de NumPy
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.
NumPy Illustrated: La Guía Visual de NumPy por Lev Maximov
Scientific Python Lectures Además de cubrir NumPy, estas conferencias ofrecen una introducción más amplia al ecosistema científico de Python.
NumPy: the absolute basics for beginners.
NumPy tutorial por Nicolas Rougier
Stanford CS231 por Justin Johnson
NumPy User Guide.

Libros

Guide to NumPy por Travis E. Oliphant Ésta es una versión 1 gratuita de 2006. Para conseguir la última versión (2015) mira aquí.
From Python to NumPy por Nicolas P. Rougier
Elegant SciPy por Juan Nunez-Technesias, Stefan van der Walt, y Harriet Dashnow

También puedes echar un vistazo a esta lista de Goodreads sobre el tema “Python+SciPy”. La mayoría de esos libros son sobre el “ecosistema SciPy”, que tiene NumPy en su núcleo.

Videos

Introduction to Numerical Computing with NumPy por Alex Chabot-Leclerc

Avanzado#

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 por Nicolas P. Rougier
An Introduction to NumPy and Scipy por M. Scott Shell
Numpy Medkits por Stéfan van der Walt
Tutoriales de NumPy Una colección de tutoriales y materiales educativos en formato de cuadernos Jupyter desarrollados y mantenidos por el equipo de documentación de NumPy. Para enviar tu propio contenido, visita el repositorio numpy-tutorials en GitHub.

Libros

Python Data Science Handbook por Jake Vanderplas
Python for Data Analysis por Wes McKinney
Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy, and Matplotlib por Robert Johansson

Videos

Advanced NumPy - broadcasting rules, strides, and advanced indexing por Juan Nunez-Iglesias

Charlas de NumPy#

The Future of NumPy Indexing por Jaime Fernández (2016)
Evolution of Array Computing in Python por Ralf Gommers (2019)
NumPy: what has changed and what is going to change? por Matti Picus (2019)
Inside NumPy por Ralf Gommers, Sebastian Berg, Matti Picus, Tyler Reddy, Stefan van der Walt, Charles Harris (2019)
Brief Review of Array Computing in Python por Travis Oliphant (2019)

Citando a NumPy#

Si NumPy ha sido importante en tu investigación y deseas reconocer el proyecto en tu publicación académica, consulta esta información de citado.

On this page

Aprende

Para la documentación oficial de NumPy visita numpy.org/doc/stable.

A continuación se muestra una colección de recursos educativos, tanto para el autoaprendizaje como para enseñar a otros, desarrollados por colaboradores de NumPy y aprobados por la comunidad.

Principiantes#

Hay un montón de información sobre NumPy allá afuera. Si eres nuevo, te recomendamos encarecidamente estos:

Tutoriales

Tutorial de inicio rápido de NumPy
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.
NumPy Illustrated: La Guía Visual de NumPy por Lev Maximov
Scientific Python Lectures Además de cubrir NumPy, estas conferencias ofrecen una introducción más amplia al ecosistema científico de Python.
NumPy: the absolute basics for beginners.
NumPy tutorial por Nicolas Rougier
Stanford CS231 por Justin Johnson
NumPy User Guide.

Libros

Guide to NumPy por Travis E. Oliphant Ésta es una versión 1 gratuita de 2006. Para conseguir la última versión (2015) mira aquí.
From Python to NumPy por Nicolas P. Rougier
Elegant SciPy por Juan Nunez-Technesias, Stefan van der Walt, y Harriet Dashnow

También puedes echar un vistazo a esta lista de Goodreads sobre el tema “Python+SciPy”. La mayoría de esos libros son sobre el “ecosistema SciPy”, que tiene NumPy en su núcleo.

Videos

Introduction to Numerical Computing with NumPy por Alex Chabot-Leclerc

Avanzado#

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 por Nicolas P. Rougier
An Introduction to NumPy and Scipy por M. Scott Shell
Numpy Medkits por Stéfan van der Walt
Tutoriales de NumPy Una colección de tutoriales y materiales educativos en formato de cuadernos Jupyter desarrollados y mantenidos por el equipo de documentación de NumPy. Para enviar tu propio contenido, visita el repositorio numpy-tutorials en GitHub.

Libros

Python Data Science Handbook por Jake Vanderplas
Python for Data Analysis por Wes McKinney
Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy, and Matplotlib por Robert Johansson

Videos

Advanced NumPy - broadcasting rules, strides, and advanced indexing por Juan Nunez-Iglesias

Charlas de NumPy#

The Future of NumPy Indexing por Jaime Fernández (2016)
Evolution of Array Computing in Python por Ralf Gommers (2019)
NumPy: what has changed and what is going to change? por Matti Picus (2019)
Inside NumPy por Ralf Gommers, Sebastian Berg, Matti Picus, Tyler Reddy, Stefan van der Walt, Charles Harris (2019)
Brief Review of Array Computing in Python por Travis Oliphant (2019)

Citando a NumPy#

Si NumPy ha sido importante en tu investigación y deseas reconocer el proyecto en tu publicación académica, consulta esta información de citado.

On this page

\ No newline at end of file diff --git a/es/news/index.html b/es/news/index.html index dc5e5ab..44e3992 100644 --- a/es/news/index.html +++ b/es/news/index.html @@ -9,6 +9,5 @@

Noticias

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:

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:

La Guía de migración de NumPy 2.0
Las notas de lanzamiento 2.0.0
Emisión de anuncios para actualizaciones de estado: numpy#24300

La publicación “NumPy 2.0: an evolutionary milestone” 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:

La guía de migración a NumPy 2.0
Las notas del lanzamiento 2.0.0
Emisión de anuncios para actualizaciones de estado: numpy#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

NumPy 1.26.0 ha sido lanzado#

16 de septiembre de 2023 – NumPy 1.26.0 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

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.

numpy.org ya está disponible en japonés y portugués#

_ 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)

Japonés:

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)

NumPy 1.25.0 ha sido lanzado#

17 de junio de 2023 – NumPy 1.25.0 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 (@=).

NumPy 1.25. continúa el trabajo en curso para mejorar el manejo y promoción de dtypes, aumentar la velocidad de ejecución y clarificar la documentación. También se ha realizado trabajo preparatorio para el futuro NumPy 2.0.0, resultando en un gran número de nuevas y eliminadas obsolescencias.

Un total de 148 personas contribuyeron a esta versión y 530 solicitudes de incorporación de cambios fueron aceptadas.

Las versiones de Python soportadas por este lanzamiento son 3.9-3.11.

Fomentar una Cultura Inclusiva: Convocatoria de Participación#

10 de mayo de 2023 – Fomentar una Cultura Inclusiva: Convocatoria de Participación

¿Cómo podemos ser mejores cuando se trata de diversidad e inclusión? Lee el informe y averigua cómo involucrarte aquí.

Transición en el liderazgo del equipo de documentación de NumPy#

6 de enero de 2023 –- Mukulika Pahari y Ross Barnowski son nombrados como los nuevos líderes del equipo de documentación de NumPy, reemplazando a Melissa Mendonça. Damos las gracias a Melissa por todas sus contribuciones a la documentación oficial de NumPy y materiales educativos, y a Mukulika y Ross por asumir este rol.

Lanzamiento de NumPy 1.24.0#

18 de diciembre de 2022 – NumPy 1.24.0 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,

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 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.

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 en un proyecto de investigación financiado por la Fundación Gordon & Betty Moore para entender las barreras de participación que enfrentan los colaboradores, especialmente aquellos de grupos históricamente subrepresentados, en la comunidad de software de código abierto. El equipo de investigación quisiera hablar con nuevos colaboradores, desarrolladores y mantenedores del proyecto, y con aquellos que han contribuido en el pasado acerca de sus experiencias uniéndose y contribuyendo a NumPy.

¿Estás interesado en compartir tus experiencias?

Por favor, completa este breve formulario de “Interés del Participante”, que contiene información adicional sobre los objetivos de la investigación, la privacidad y las consideraciones de confidencialidad. Tu participación será valiosa para el crecimiento y la sostenibilidad de comunidades de software de código abierto diversas e inclusivas. Los participantes aceptados participarán en una entrevista de 30 minutos con un miembro del equipo de investigación.

Lanzamiento de NumPy 1.22.0#

31 de diciembre de 2021 – NumPy 1.22.0 ya está disponible. Los aspectos más destacados del lanzamiento son:

Las anotaciones de tipo del espacio de nombres principal están esencialmente completas. El repositorio principal (upstream) es un objetivo en movimiento, así que probablemente habrán más mejoras, pero el mayor trabajo ya está hecho. Esta es probablemente la mejora más visible para el usuario en esta versión.
Una versión preliminar del propuesto Estándar API de Arreglos es suministrada (véase NEP 47). 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. 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.

Promoviendo una cultura inclusiva en el ecosistema científico de Python#

31 de agosto de 2021 – Nos complace anunciar que la Iniciativa Chan Zuckerberg ha otorgado una subvención para apoyar la incorporación, inclusión, y retención de personas de grupos históricamente marginados en proyectos científicos de Python y para mejorar estructuralmente la dinámica de la comunidad para NumPy, SciPy, Matplotlib y Pandas.

Como parte del Programa de Software Esencial de Código Abierto para la Ciencia de CZI, esta subvención suplementaria de Diversidad &e Inclusión apoyará la creación de posiciones dedicadas de Líder de Experiencia del Colaborador para identificar, documentar e implementar prácticas para fomentar comunidades inclusivas de código abierto. Este proyecto será liderado por Melissa Mendonça (NumPy), con mentoría y orientación adicionales por parte de Ralf Gommers (NumPy, SciPy), Hannah Aizenman y Thomas Caswell (Matplotlib), Matt Haberland (SciPy), y Joris Van den Bossche (Pandas).

Este es un proyecto ambicioso destinado a descubrir e implementar actividades que deberían mejorar estructuralmente la dinámica comunitaria de nuestros proyectos. Al establecer estos nuevos roles entre proyectos, esperamos introducir un nuevo modelo de colaboración para las comunidades de Python Científico, permitiendo que el trabajo de construcción de comunidades dentro del ecosistema se realice de manera más eficiente y con mejores resultados. También esperamos desarrollar una idea más clara tanto de lo que funciona y lo que no en nuestros proyectos, para atraer y retener nuevos colaboradores, especialmente de grupos históricamente subrepresentados. Finalmente, planeamos producir informes detallados sobre las acciones ejecutadas, explicando cómo éstas han impactado nuestros proyectos en términos de representación e interacción con nuestras comunidades.

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.

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.

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 ya está disponible. Los aspectos más destacados de esta versión son:

trabajo SIMD continuo que cubre más funciones y plataformas,
trabajo inicial sobre la nueva infraestructura dtype y conversiones de tipo,
universal2 wheels para Python 3.8 y Python 3.9 en Mac,
documentación mejorada,
anotaciones mejoradas,
nuevo PCG64DXSM generador de bits para números aleatorios.

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 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, einsum).

Diversidad en el proyecto NumPy#

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.

Primer artículo oficial de NumPy publicado en Nature!#

16 de septiembre de 2020 – Nos complace anunciar la publicación del primer artículo oficial sobre NumPy 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 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 ya está disponible. Este último lanzamiento de la serie 1.19 corrige varios errores, se prepara para el lanzamiento próximo de Cython 3.x 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.

Por favor ayúdanos a mejorar NumPy diligenciando la encuesta: aquí.

¡NumPy tiene un nuevo logo!#

24 de junio de 2020 – NumPy tiene ahora un nuevo logo:

El logo es una versión moderna del anterior, con un diseño más limpio. Gracias a Isabela Presedo-Floyd por diseñar el nuevo logo, así como a Travis Vaught por el viejo logo que nos sirvió tanto durante más de 15 años.

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 y nuestra página de 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 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 que apoya el mantenimiento de software, crecimiento, desarrollo y compromiso comunitario para herramientas de código abierto críticas para la ciencia.

Esta subvención se utilizará para acelerar los esfuerzos en la mejora de la documentación de NumPy, rediseño del sitio web y desarrollo de la comunidad para servir mejor a nuestra amplia y creciente base de usuarios, y asegurar la sostenibilidad a largo plazo del proyecto. Mientras que el equipo de OpenBLAS se enfocará en abordar conjuntos de problemas técnicos clave, en particular la seguridad de los hilos, AVX-512, y problemas de almacenamiento local de hilos (TLS), así como mejoras algorítmicas en ReLAPACK (Recursive LAPACK) de las que depende OpenBLAS.

Puede encontrar más detalles sobre nuestras iniciativas y entregables propuestos en la propuesta completa de subvención. Está previsto que el trabajo comience el 1 de diciembre de 2019 y continúe durante los siguientes 12 meses.

Lanzamientos#

Esta es una lista de lanzamientos NumPy, con enlaces a notas de lanzamiento. Los lanzamientos de corrección de errores (solo cambia la z en el número de versión x.y.z) no tienen nuevas características; las versiones menores (aumenta la y) sí las tienen.

NumPy 2.1.1 (notas de lanzamiento) – 3 de septiembre 2024.
NumPy 2.0.2 (notas de lanzamiento) – 26 de agosto 2024.
NumPy 2.1.0 (notas del lanzamiento) – 18 de agosto de 2024.
NumPy 2.0.1 (notas del lanzamiento) – 21 de julio de 2024.
NumPy 2.0.0 (notas del lanzamiento) – 16 de junio de 2024.
NumPy 1.26.4 (notas del lanzamiento) – 5 de febrero de 2024.
NumPy 1.26.3 (notas del lanzamiento) – 2 de enero de 2024.
NumPy 1.26.2 (notas del lanzamiento) – 12 de noviembre de 2023.
NumPy 1.26.1 (notas de publicación) – 14 de octubre de 2023.
NumPy 1.26.0 (notas de publicación) – 16 de septiembre de 2023.
NumPy 1.25.2 (notas del lanzamiento) – 31 de julio de 2023.
NumPy 1.25.1 (notas del lanzamiento) – 8 de julio de 2023.
NumPy 1.24.4 (notas del lanzamiento) – 26 de junio de 2023.
NumPy 1.25.0 (notas del lanzamiento) – 17 de junio de 2023.
NumPy 1.24.3 (notas del lanzamiento) – 22 de abril de 2023.
NumPy 1.24.2 (notas del lanzamiento) – 5 de febrero de 2023.
NumPy 1.24.1 (notas del lanzamiento) – 26 de diciembre de 2022.
NumPy 1.24.0 (notas del lanzamiento) – 18 de diciembre de 2022.
NumPy 1.23.5 (notas del lanzamiento) – 19 de noviembre de 2022.
NumPy 1.23.4 (notas del lanzamiento) – 12 de octubre de 2022.
NumPy 1.23.3 (notas del lanzamiento) – 9 de septiembre de 2022.
NumPy 1.23.2 (notas del lanzamiento) – 14 de agosto de 2022.
NumPy 1.23.1 (notas del lanzamiento) – 8 de julio de 2022.
NumPy 1.23.0 (notas del lanzamiento) – 22 de junio de 2022.
NumPy 1.22.4 (notas del lanzamiento) – 20 de mayo de 2022.
NumPy 1.21.6 (notas del lanzamiento) – 12 de abril de 2022.
NumPy 1.22.3 (notas del lanzamiento) – 7 de marzo de 2022.
NumPy 1.22.2 (notas del lanzamiento) – 3 de febrero de 2022.
NumPy 1.22.1 (notas del lanzamiento) – 14 de enero de 2022.
NumPy 1.22.0 (notas del lanzamiento) – 31 de diciembre de 2021.
NumPy 1.21.5 (notas del lanzamiento) – 19 de diciembre de 2021.
NumPy 1.21.0 (notas del lanzamiento) – 22 de junio de 2021.
NumPy 1.20.3 (notas del lanzamiento) – 10 de mayo de 2021.
NumPy 1.20.0 (notas del lanzamiento) – 30 de enero de 2021.
NumPy 1.19.5 (notas del lanzamiento) – 5 de enero de 2021.
NumPy 1.19.0 (notas del lanzamiento) – 20 de junio de 2020.
NumPy 1.18.4 (notas del lanzamiento) – 3 de mayo de 2020.
NumPy 1.17.5 (notas del lanzamiento) – 1 de enero de 2020.
NumPy 1.18.0 (notas del lanzamiento) – 22 de diciembre de 2019.
NumPy 1.17.0 (notas del lanzamiento) – 26 de julio de 2019.
NumPy 1.16.0 (notas de lanzamiento) – 14 Jan 2019.
NumPy 1.15.0 (notas del lanzamiento) – 23 de julio de 2018.
NumPy 1.14.0 (notas del lanzamiento) – 7 de enero de 2018.

On this page

Noticias

Lanzamiento de NumPy 2.1.0#

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#

La Guía de migración de NumPy 2.0
Las notas de lanzamiento 2.0.0
Emisión de anuncios para actualizaciones de estado: numpy#24300

La publicación “NumPy 2.0: an evolutionary milestone” cuenta un poco de la historia sobre cómo se llegó a este lanzamiento.

Fecha de lanzamiento de NumPy 2.0: 16 de junio#

La guía de migración a NumPy 2.0
Las notas del lanzamiento 2.0.0
Emisión de anuncios para actualizaciones de estado: numpy#24300

Recaudación de fondos de fin de año 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

NumPy 1.26.0 ha sido lanzado#

16 de septiembre de 2023 – NumPy 1.26.0 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

Las versiones de Python compatibles con esta versión son 3.9-3.12.

numpy.org ya está disponible en japonés y portugués#

_ 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)

Japonés:

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.

NumPy 1.25.0 ha sido lanzado#

17 de junio de 2023 – NumPy 1.25.0 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 (@=).

Un total de 148 personas contribuyeron a esta versión y 530 solicitudes de incorporación de cambios fueron aceptadas.

Las versiones de Python soportadas por este lanzamiento son 3.9-3.11.

Fomentar una Cultura Inclusiva: Convocatoria de Participación#

10 de mayo de 2023 – Fomentar una Cultura Inclusiva: Convocatoria de Participación

¿Cómo podemos ser mejores cuando se trata de diversidad e inclusión? Lee el informe y averigua cómo involucrarte aquí.

Transición en el liderazgo del equipo de documentación de NumPy#

Lanzamiento de NumPy 1.24.0#

18 de diciembre de 2022 – NumPy 1.24.0 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,

NumPy 1.23.0 ha sido lanzado#

22 de junio de 2022 – NumPy 1.23.0 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.

Estudio de investigación NumFOCUS DEI: llamado a participar#

¿Estás interesado en compartir tus experiencias?

Lanzamiento de NumPy 1.22.0#

31 de diciembre de 2021 – NumPy 1.22.0 ya está disponible. Los aspectos más destacados del lanzamiento son:

Las anotaciones de tipo del espacio de nombres principal están esencialmente completas. El repositorio principal (upstream) es un objetivo en movimiento, así que probablemente habrán más mejoras, pero el mayor trabajo ya está hecho. Esta es probablemente la mejora más visible para el usuario en esta versión.
Una versión preliminar del propuesto Estándar API de Arreglos es suministrada (véase NEP 47). 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. 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.

Promoviendo una cultura inclusiva en el ecosistema científico de Python#

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.

Encuesta de NumPy de 2021#

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 ya está disponible. Los aspectos más destacados de esta versión son:

trabajo SIMD continuo que cubre más funciones y plataformas,
trabajo inicial sobre la nueva infraestructura dtype y conversiones de tipo,
universal2 wheels para Python 3.8 y Python 3.9 en Mac,
documentación mejorada,
anotaciones mejoradas,
nuevo PCG64DXSM generador de bits para números aleatorios.

Resultados de la encuesta de NumPy de 2020#

Lanzamiento de NumPy 1.20.0#

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, einsum).

Diversidad en el proyecto NumPy#

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.

Primer artículo oficial de NumPy publicado en Nature!#

Python 3.9 está por llegar, ¿cuándo lanzará NumPy ruedas binarias?#

actualizar su versión de pip al menos a la 20.1 para soportar manylinux2010 y manylinux2014
utiliza --only-binary=numpy o --only-binary=:all: para evitar que pip intente compilar desde la fuente.

Lanzamiento de NumPy 1.19.2#

La encuesta inaugural de NumPy ya está disponible!#

Por favor ayúdanos a mejorar NumPy diligenciando la encuesta: aquí.

¡NumPy tiene un nuevo logo!#

24 de junio de 2020 – NumPy tiene ahora un nuevo logo:

Lanzamiento de NumPy 1.19.0#

Aceptación a Season of Docs#

Lanzamiento de NumPy 1.18.0#

Por favor revise las notas del lanzamiento para conocer más detalles.

NumPy recibe una subvención de la Iniciativa Chan Zuckerberg#

Lanzamientos#

NumPy 2.1.1 (notas de lanzamiento) – 3 de septiembre 2024.
NumPy 2.0.2 (notas de lanzamiento) – 26 de agosto 2024.
NumPy 2.1.0 (notas del lanzamiento) – 18 de agosto de 2024.
NumPy 2.0.1 (notas del lanzamiento) – 21 de julio de 2024.
NumPy 2.0.0 (notas del lanzamiento) – 16 de junio de 2024.
NumPy 1.26.4 (notas del lanzamiento) – 5 de febrero de 2024.
NumPy 1.26.3 (notas del lanzamiento) – 2 de enero de 2024.
NumPy 1.26.2 (notas del lanzamiento) – 12 de noviembre de 2023.
NumPy 1.26.1 (notas de publicación) – 14 de octubre de 2023.
NumPy 1.26.0 (notas de publicación) – 16 de septiembre de 2023.
NumPy 1.25.2 (notas del lanzamiento) – 31 de julio de 2023.
NumPy 1.25.1 (notas del lanzamiento) – 8 de julio de 2023.
NumPy 1.24.4 (notas del lanzamiento) – 26 de junio de 2023.
NumPy 1.25.0 (notas del lanzamiento) – 17 de junio de 2023.
NumPy 1.24.3 (notas del lanzamiento) – 22 de abril de 2023.
NumPy 1.24.2 (notas del lanzamiento) – 5 de febrero de 2023.
NumPy 1.24.1 (notas del lanzamiento) – 26 de diciembre de 2022.
NumPy 1.24.0 (notas del lanzamiento) – 18 de diciembre de 2022.
NumPy 1.23.5 (notas del lanzamiento) – 19 de noviembre de 2022.
NumPy 1.23.4 (notas del lanzamiento) – 12 de octubre de 2022.
NumPy 1.23.3 (notas del lanzamiento) – 9 de septiembre de 2022.
NumPy 1.23.2 (notas del lanzamiento) – 14 de agosto de 2022.
NumPy 1.23.1 (notas del lanzamiento) – 8 de julio de 2022.
NumPy 1.23.0 (notas del lanzamiento) – 22 de junio de 2022.
NumPy 1.22.4 (notas del lanzamiento) – 20 de mayo de 2022.
NumPy 1.21.6 (notas del lanzamiento) – 12 de abril de 2022.
NumPy 1.22.3 (notas del lanzamiento) – 7 de marzo de 2022.
NumPy 1.22.2 (notas del lanzamiento) – 3 de febrero de 2022.
NumPy 1.22.1 (notas del lanzamiento) – 14 de enero de 2022.
NumPy 1.22.0 (notas del lanzamiento) – 31 de diciembre de 2021.
NumPy 1.21.5 (notas del lanzamiento) – 19 de diciembre de 2021.
NumPy 1.21.0 (notas del lanzamiento) – 22 de junio de 2021.
NumPy 1.20.3 (notas del lanzamiento) – 10 de mayo de 2021.
NumPy 1.20.0 (notas del lanzamiento) – 30 de enero de 2021.
NumPy 1.19.5 (notas del lanzamiento) – 5 de enero de 2021.
NumPy 1.19.0 (notas del lanzamiento) – 20 de junio de 2020.
NumPy 1.18.4 (notas del lanzamiento) – 3 de mayo de 2020.
NumPy 1.17.5 (notas del lanzamiento) – 1 de enero de 2020.
NumPy 1.18.0 (notas del lanzamiento) – 22 de diciembre de 2019.
NumPy 1.17.0 (notas del lanzamiento) – 26 de julio de 2019.
NumPy 1.16.0 (notas de lanzamiento) – 14 Jan 2019.
NumPy 1.15.0 (notas del lanzamiento) – 23 de julio de 2018.
NumPy 1.14.0 (notas del lanzamiento) – 7 de enero de 2018.

On this page

\ No newline at end of file diff --git a/es/press-kit/index.html b/es/press-kit/index.html index b01b5e4..b899c40 100644 --- a/es/press-kit/index.html +++ b/es/press-kit/index.html @@ -9,6 +9,5 @@

Kit de prensa

Nos gustaría facilitarte el trabajo para incluir la identidad del proyecto NumPy en tu próximo documento académico, material de curso o presentación.

Aquí encontrarás varias versiones en alta resolución del logo de NumPy. Ten en cuenta que al utilizar los recursos de numpy.org, aceptas el Código de Conducta de NumPy.

On this page

Kit de prensa

Nos gustaría facilitarte el trabajo para incluir la identidad del proyecto NumPy en tu próximo documento académico, material de curso o presentación.

Aquí encontrarás varias versiones en alta resolución del logo de NumPy. Ten en cuenta que al utilizar los recursos de numpy.org, aceptas el Código de Conducta de NumPy.

On this page

\ No newline at end of file diff --git a/es/privacy/index.html b/es/privacy/index.html index 51681a7..6684602 100644 --- a/es/privacy/index.html +++ b/es/privacy/index.html @@ -9,6 +9,5 @@

Política de Privacidad

numpy.org está operado por NumFOCUS, Inc., el patrocinador fiscal del proyecto NumPy. Para ver la Política de Privacidad de este sitio web, por favor dirígete a https://numfocus.org/privacy-policy.

Si tienes alguna pregunta sobre la política o la recolección, uso y prácticas de divulgación de datos de NumFOCUS, por favor ponte en contacto con el personal de NumFOCUS en privacy@numfocus.org.

On this page

Política de Privacidad

Si tienes alguna pregunta sobre la política o la recolección, uso y prácticas de divulgación de datos de NumFOCUS, por favor ponte en contacto con el personal de NumFOCUS en privacy@numfocus.org.

On this page

\ No newline at end of file diff --git a/es/report-handling-manual/index.html b/es/report-handling-manual/index.html index 83e8646..1007f3d 100644 --- a/es/report-handling-manual/index.html +++ b/es/report-handling-manual/index.html @@ -9,6 +9,5 @@

Código de Conducta de NumPy - Cómo hacer el seguimiento de un informe

Este es el manual que sigue el Comité de Código de Conducta de NumPy. Se utiliza cuando respondemos a un problema, para asegurarnos de que seamos consistentes y justos.

Hacer cumplir el Código de Conducta 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.

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.

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.

Gestión de informes#

Cuando se envíe un informe al Comité, éste responderá inmediatamente al informante confirmando su recepción. Esta respuesta deberá enviarse dentro de un plazo de 72 horas, y el grupo deberá esforzarse por responder en un tiempo inferior.

Si un informe no contiene suficiente información, el Comité obtendrá todos los datos relevantes antes de actuar. El Comité tiene la facultad de actuar en nombre del Consejo Directivo al contactar cualquier individuo implicado para obtener una descripción más completa de los hechos.

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.

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.).

Es importante conservar un archivo de todas las actividades de este Comité para asegurar consistencia en el comportamiento y proporcionar memoria institucional para el proyecto. Para ayudar en esto, el canal de discusión por defecto para este Comité será una lista de correo privada accesible a los miembros actuales y futuros del Comité, así como a los miembros del Consejo Directivo con previa solicitud justificada. Si el Comité considera necesario utilizar comunicaciones fuera de la lista (por ejemplo, para una respuesta temprana/rápida), deberá, en todos los casos, resumirlos y documentarlos de vuelta a la lista, de manera que se mantenga un buen registro del proceso.

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.

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.

Finalmente, el Comité presentará un informe al Consejo Directivo de NumPy (así como al equipo central de NumPy en caso de una decisión en curso, tal como una prohibición).

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.

On this page

Código de Conducta de NumPy - Cómo hacer el seguimiento de un informe

Este es el manual que sigue el Comité de Código de Conducta de NumPy. Se utiliza cuando respondemos a un problema, para asegurarnos de que seamos consistentes y justos.

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#

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.

Cómo responderá el Comité a los informes#

Acciones violatorias claras y severas#

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.

Gestión de informes#

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.

Resoluciones#

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.

Finalmente, el Comité presentará un informe al Consejo Directivo de NumPy (así como al equipo central de NumPy en caso de una decisión en curso, tal como una prohibición).

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.

On this page

\ No newline at end of file diff --git a/es/teams/index.html b/es/teams/index.html index dac5dcb..9809ec5 100644 --- a/es/teams/index.html +++ b/es/teams/index.html @@ -95,6 +95,5 @@ Julian Taylor

Mark Wiebe

Nathaniel J. Smith

-Travis E. Oliphant

Gobernanza#

Para la lista de personas del Consejo Directivo, por favor ve aquí.

On this page

Gobernanza#

Para la lista de personas del Consejo Directivo, por favor ve aquí.

On this page

\ No newline at end of file diff --git a/es/terms/index.html b/es/terms/index.html index 6eb9dc2..9077024 100644 --- a/es/terms/index.html +++ b/es/terms/index.html @@ -9,6 +9,5 @@

Terms of Use

Last updated January 4, 2020

AGREEMENT TO TERMS#

These Terms of Use constitute a legally binding agreement made between you, whether personally or on behalf of an entity (“you”) and NumPy ("Project", “we”, “us”, or “our”), concerning your access to and use of the numpy.org website as well as any other media form, media channel, mobile website or mobile application related, linked, or otherwise connected thereto (collectively, the “Site”). You agree that by accessing the Site, you have read, understood, and agreed to be bound by all of these Terms of Use. IF YOU DO NOT AGREE WITH ALL OF THESE TERMS OF USE, THEN YOU ARE EXPRESSLY PROHIBITED FROM USING THE SITE AND YOU MUST DISCONTINUE USE IMMEDIATELY.

Supplemental terms and conditions or documents that may be posted on the Site from time to time are hereby expressly incorporated herein by reference. We reserve the right, in our sole discretion, to make changes or modifications to these Terms of Use at any time and for any reason. We will alert you about any changes by updating the “Last updated” date of these Terms of Use, and you waive any right to receive specific notice of each such change. It is your responsibility to periodically review these Terms of Use to stay informed of updates. You will be subject to, and will be deemed to have been made aware of and to have accepted, the changes in any revised Terms of Use by your continued use of the Site after the date such revised Terms of Use are posted.

The information provided on the Site is not intended for distribution to or use by any person or entity in any jurisdiction or country where such distribution or use would be contrary to law or regulation or which would subject us to any registration requirement within such jurisdiction or country. Accordingly, those persons who choose to access the Site from other locations do so on their own initiative and are solely responsible for compliance with local laws, if and to the extent local laws are applicable.

USER REPRESENTATIONS#

By using the Site, you represent and warrant that: (1) you have the legal capacity and you agree to comply with these Terms of Use; (2) you will not use the Site for any illegal or unauthorized purpose; and (3) your use of the Site will not violate any applicable law or regulation.

If you provide any information that is untrue, inaccurate, not current, or incomplete, we have the right to refuse any and all current or future use of the Site (or any portion thereof).

PROHIBITED ACTIVITIES#

You may not access or use the Site for any purpose other than that for which we make the Site available.

As a user of the Site, you agree not to:

Systematically retrieve data or other content from the Site to create or compile, directly or indirectly, a collection, compilation, database, or directory without written permission from us.
Make any unauthorized use of the Site, including collecting usernames and/or email addresses of users by electronic or other means for the purpose of sending unsolicited email, or creating user accounts by automated means or under false pretenses.
Use the Site to advertise or offer to sell goods and services.
Circumvent, disable, or otherwise interfere with security-related features of the Site.
Engage in unauthorized framing of or linking to the Site.
Trick, defraud, or mislead us and other users, especially in any attempt to learn sensitive account information such as user passwords.
Make improper use of our support services or submit false reports of abuse or misconduct.
Engage in any automated use of the system, such as using scripts to send comments or messages, or using any data mining, robots, or similar data gathering and extraction tools.
Interfere with, disrupt, or create an undue burden on the Site or the networks or services connected to the Site.
Attempt to impersonate another user or person or use the username of another user.
Use any information obtained from the Site in order to harass, abuse, or harm another person.
Disparage, tarnish, or otherwise harm, in our opinion, us and/or the Site.
Except as may be the result of standard search engine or Internet browser usage, use, launch, develop, or distribute any automated system, including without limitation, any spider, robot, cheat utility, scraper, or offline reader that accesses the Site, or using or launching any unauthorized script or other software.
Upload or transmit (or attempt to upload or to transmit) any material that acts as a passive or active information collection or transmission mechanism, including without limitation, clear graphics interchange formats (“gifs”), 1×1 pixels, web bugs, cookies, or other similar devices (sometimes referred to as “spyware” or “passive collection mechanisms” or “pcms”).
Upload or transmit (or attempt to upload or to transmit) viruses, Trojan horses, or other material, including excessive use of capital letters and spamming (continuous posting of repetitive text), that interferes with any party’s uninterrupted use and enjoyment of the Site or modifies, impairs, disrupts, alters, or interferes with the use, features, functions, operation, or maintenance of the Site.
Harass, annoy, intimidate, or threaten any of our employees or agents engaged in providing any portion of the Site to you.
Attempt to bypass any measures of the Site designed to prevent or restrict access to the Site, or any portion of the Site.

SUBMISSIONS#

You acknowledge and agree that any questions, comments, suggestions, ideas, feedback, or other information regarding the Site (“Submissions”) provided by you to us are non-confidential and shall become our sole property. We shall own exclusive rights, including all intellectual property rights, and shall be entitled to the unrestricted use and dissemination of these Submissions for any lawful purpose, commercial or otherwise, without acknowledgment or compensation to you. You hereby waive all moral rights to any such Submissions, and you hereby warrant that any such Submissions are original with you or that you have the right to submit such Submissions. You agree there shall be no recourse against us for any alleged or actual infringement or misappropriation of any proprietary right in your Submissions.

THIRD-PARTY WEBSITES AND CONTENT#

The Site may contain (or you may be sent via the Site) links to other websites (“Third-Party Websites”) as well as articles, photographs, text, graphics, pictures, designs, music, sound, video, information, applications, software, and other content or items belonging to or originating from third parties (“Third-Party Content”). Such Third-Party Websites and Third-Party Content are not investigated, monitored, or checked for accuracy, appropriateness, or completeness by us, and we are not responsible for any Third-Party Websites accessed through the Site or any Third-Party Content posted on, available through, or installed from the Site, including the content, accuracy, offensiveness, opinions, reliability, privacy practices, or other policies of or contained in the Third-Party Websites or the Third-Party Content. Inclusion of, linking to, or permitting the use or installation of any Third-Party Websites or any Third-Party Content does not imply approval or endorsement thereof by us. If you decide to leave the Site and access the Third-Party Websites or to use or install any Third-Party Content, you do so at your own risk, and you should be aware these Terms of Use no longer govern. You should review the applicable terms and policies, including privacy and data gathering practices, of any website to which you navigate from the Site or relating to any applications you use or install from the Site. Any purchases you make through Third-Party Websites will be through other websites and from other companies, and we take no responsibility whatsoever in relation to such purchases which are exclusively between you and the applicable third party. You agree and acknowledge that we do not endorse the products or services offered on Third-Party Websites and you shall hold us harmless from any harm caused by your purchase of such products or services. Additionally, you shall hold us harmless from any losses sustained by you or harm caused to you relating to or resulting in any way from any Third-Party Content or any contact with Third-Party Websites.

SITE MANAGEMENT#

We reserve the right, but not the obligation, to: (1) monitor the Site for violations of these Terms of Use; (2) take appropriate legal action against anyone who, in our sole discretion, violates the law or these Terms of Use, including without limitation, reporting such user to law enforcement authorities; (3) in our sole discretion and without limitation, refuse, restrict access to, limit the availability of, or disable (to the extent technologically feasible) any of your Contributions or any portion thereof; (4) in our sole discretion and without limitation, notice, or liability, to remove from the Site or otherwise disable all files and content that are excessive in size or are in any way burdensome to our systems; and (5) otherwise manage the Site in a manner designed to protect our rights and property and to facilitate the proper functioning of the Site.

PRIVACY POLICY#

We care about data privacy and security. Please review our Privacy Policy. By using the Site, you agree to be bound by our Privacy Policy, which is incorporated into these Terms of Use. Please be advised the Site is hosted in the United States. If you access the Site from the European Union, Asia, or any other region of the world with laws or other requirements governing personal data collection, use, or disclosure that differ from applicable laws in the United States, then through your continued use of the Site, you are transferring your data to the United States, and you expressly consent to have your data transferred to and processed in the United States. Further, we do not knowingly accept, request, or solicit information from children or knowingly market to children. Therefore, in accordance with the U.S. Children’s Online Privacy Protection Act, if we receive actual knowledge that anyone under the age of 13 has provided personal information to us without the requisite and verifiable parental consent, we will delete that information from the Site as quickly as is reasonably practical.

TERM AND TERMINATION#

These Terms of Use shall remain in full force and effect while you use the Site. WITHOUT LIMITING ANY OTHER PROVISION OF THESE TERMS OF USE, WE RESERVE THE RIGHT TO, IN OUR SOLE DISCRETION AND WITHOUT NOTICE OR LIABILITY, DENY ACCESS TO AND USE OF THE SITE (INCLUDING BLOCKING CERTAIN IP ADDRESSES), TO ANY PERSON FOR ANY REASON OR FOR NO REASON, INCLUDING WITHOUT LIMITATION FOR BREACH OF ANY REPRESENTATION, WARRANTY, OR COVENANT CONTAINED IN THESE TERMS OF USE OR OF ANY APPLICABLE LAW OR REGULATION. WE MAY TERMINATE YOUR USE OR PARTICIPATION IN THE SITE OR DELETE ANY CONTENT OR INFORMATION THAT YOU POSTED AT ANY TIME, WITHOUT WARNING, IN OUR SOLE DISCRETION.

MODIFICATIONS AND INTERRUPTIONS#

We reserve the right to change, modify, or remove the contents of the Site at any time or for any reason at our sole discretion without notice. However, we have no obligation to update any information on our Site. We also reserve the right to modify or discontinue all or part of the Site without notice at any time. We will not be liable to you or any third party for any modification, suspension, or discontinuance of the Site.

We cannot guarantee the Site will be available at all times. We may experience hardware, software, or other problems or need to perform maintenance related to the Site, resulting in interruptions, delays, or errors. We reserve the right to change, revise, update, suspend, discontinue, or otherwise modify the Site at any time or for any reason without notice to you. You agree that we have no liability whatsoever for any loss, damage, or inconvenience caused by your inability to access or use the Site during any downtime or discontinuance of the Site. Nothing in these Terms of Use will be construed to obligate us to maintain and support the Site or to supply any corrections, updates, or releases in connection therewith.

GOVERNING LAW#

These Terms of Use and your use of the Site are governed by and construed in accordance with the laws of the State of Texas applicable to agreements made and to be entirely performed within the State of Texas, without regard to its conflict of law principles.

DISPUTE RESOLUTION#

Informal Negotiations#

To expedite resolution and control the cost of any dispute, controversy, or claim related to these Terms of Use (each a “Dispute” and collectively, the “Disputes”) brought by either you or us (individually, a “Party” and collectively, the “Parties”), the Parties agree to first attempt to negotiate any Dispute (except those Disputes expressly provided below) informally for at least thirty (30) days before initiating arbitration. Such informal negotiations commence upon written notice from one Party to the other Party.

Binding Arbitration#

If the Parties are unable to resolve a Dispute through informal negotiations, the Dispute (except those Disputes expressly excluded below) will be finally and exclusively resolved by binding arbitration. YOU UNDERSTAND THAT WITHOUT THIS PROVISION, YOU WOULD HAVE THE RIGHT TO SUE IN COURT AND HAVE A JURY TRIAL. The arbitration shall be commenced and conducted under the Commercial Arbitration Rules of the American Arbitration Association (“AAA”) and, where appropriate, the AAA’s Supplementary Procedures for Consumer Related Disputes (“AAA Consumer Rules”), both of which are available at the AAA website www.adr.org. Your arbitration fees and your share of arbitrator compensation shall be governed by the AAA Consumer Rules and, where appropriate, limited by the AAA Consumer Rules. If such costs are determined to by the arbitrator to be excessive, we will pay all arbitration fees and expenses. The arbitration may be conducted in person, through the submission of documents, by phone, or online. The arbitrator will make a decision in writing, but need not provide a statement of reasons unless requested by either Party. The arbitrator must follow applicable law, and any award may be challenged if the arbitrator fails to do so. Except where otherwise required by the applicable AAA rules or applicable law, the arbitration will take place in Travis County, Texas. Except as otherwise provided herein, the Parties may litigate in court to compel arbitration, stay proceedings pending arbitration, or to confirm, modify, vacate, or enter judgment on the award entered by the arbitrator.

If for any reason, a Dispute proceeds in court rather than arbitration, the Dispute shall be commenced or prosecuted in the state and federal courts located in Travis County, Texas, and the Parties hereby consent to, and waive all defenses of lack of personal jurisdiction, and forum non conveniens with respect to venue and jurisdiction in such state and federal courts. Application of the United Nations Convention on Contracts for the International Sale of Goods and the the Uniform Computer Information Transaction Act (UCITA) are excluded from these Terms of Use.

In no event shall any Dispute brought by either Party related in any way to the Site be commenced more than one (1) years after the cause of action arose. If this provision is found to be illegal or unenforceable, then neither Party will elect to arbitrate any Dispute falling within that portion of this provision found to be illegal or unenforceable and such Dispute shall be decided by a court of competent jurisdiction within the courts listed for jurisdiction above, and the Parties agree to submit to the personal jurisdiction of that court.

Restrictions#

The Parties agree that any arbitration shall be limited to the Dispute between the Parties individually. To the full extent permitted by law, (a) no arbitration shall be joined with any other proceeding; (b) there is no right or authority for any Dispute to be arbitrated on a class-action basis or to utilize class action procedures; and (c) there is no right or authority for any Dispute to be brought in a purported representative capacity on behalf of the general public or any other persons.

Exceptions to Informal Negotiations and Arbitration#

The Parties agree that the following Disputes are not subject to the above provisions concerning informal negotiations and binding arbitration: (a) any Disputes seeking to enforce or protect, or concerning the validity of, any of the intellectual property rights of a Party; (b) any Dispute related to, or arising from, allegations of theft, piracy, invasion of privacy, or unauthorized use; and (c) any claim for injunctive relief. If this provision is found to be illegal or unenforceable, then neither Party will elect to arbitrate any Dispute falling within that portion of this provision found to be illegal or unenforceable and such Dispute shall be decided by a court of competent jurisdiction within the courts listed for jurisdiction above, and the Parties agree to submit to the personal jurisdiction of that court.

CORRECTIONS#

There may be information on the Site that contains typographical errors, inaccuracies, or omissions. We reserve the right to correct any errors, inaccuracies, or omissions and to change or update the information on the Site at any time, without prior notice.

DISCLAIMER#

THE SITE IS PROVIDED ON AN AS-IS AND AS-AVAILABLE BASIS. YOU AGREE THAT YOUR USE OF THE SITE AND OUR SERVICES WILL BE AT YOUR SOLE RISK. TO THE FULLEST EXTENT PERMITTED BY LAW, WE DISCLAIM ALL WARRANTIES, EXPRESS OR IMPLIED, IN CONNECTION WITH THE SITE AND YOUR USE THEREOF, INCLUDING, WITHOUT LIMITATION, THE IMPLIED WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE, AND NON-INFRINGEMENT. WE MAKE NO WARRANTIES OR REPRESENTATIONS ABOUT THE ACCURACY OR COMPLETENESS OF THE SITE’S CONTENT OR THE CONTENT OF ANY WEBSITES LINKED TO THE SITE AND WE WILL ASSUME NO LIABILITY OR RESPONSIBILITY FOR ANY (1) ERRORS, MISTAKES, OR INACCURACIES OF CONTENT AND MATERIALS, (2) PERSONAL INJURY OR PROPERTY DAMAGE, OF ANY NATURE WHATSOEVER, RESULTING FROM YOUR ACCESS TO AND USE OF THE SITE, (3) ANY UNAUTHORIZED ACCESS TO OR USE OF OUR SECURE SERVERS AND/OR ANY AND ALL PERSONAL INFORMATION AND/OR FINANCIAL INFORMATION STORED THEREIN, (4) ANY INTERRUPTION OR CESSATION OF TRANSMISSION TO OR FROM THE SITE, (5) ANY BUGS, VIRUSES, TROJAN HORSES, OR THE LIKE WHICH MAY BE TRANSMITTED TO OR THROUGH THE SITE BY ANY THIRD PARTY, AND/OR (6) ANY ERRORS OR OMISSIONS IN ANY CONTENT AND MATERIALS OR FOR ANY LOSS OR DAMAGE OF ANY KIND INCURRED AS A RESULT OF THE USE OF ANY CONTENT POSTED, TRANSMITTED, OR OTHERWISE MADE AVAILABLE VIA THE SITE. WE DO NOT WARRANT, ENDORSE, GUARANTEE, OR ASSUME RESPONSIBILITY FOR ANY PRODUCT OR SERVICE ADVERTISED OR OFFERED BY A THIRD PARTY THROUGH THE SITE, ANY HYPERLINKED WEBSITE, OR ANY WEBSITE OR MOBILE APPLICATION FEATURED IN ANY BANNER OR OTHER ADVERTISING, AND WE WILL NOT BE A PARTY TO OR IN ANY WAY BE RESPONSIBLE FOR MONITORING ANY TRANSACTION BETWEEN YOU AND ANY THIRD-PARTY PROVIDERS OF PRODUCTS OR SERVICES. AS WITH THE PURCHASE OF A PRODUCT OR SERVICE THROUGH ANY MEDIUM OR IN ANY ENVIRONMENT, YOU SHOULD USE YOUR BEST JUDGMENT AND EXERCISE CAUTION WHERE APPROPRIATE.

LIMITATIONS OF LIABILITY#

IN NO EVENT WILL WE OR OUR DIRECTORS, EMPLOYEES, OR AGENTS BE LIABLE TO YOU OR ANY THIRD PARTY FOR ANY DIRECT, INDIRECT, CONSEQUENTIAL, EXEMPLARY, INCIDENTAL, SPECIAL, OR PUNITIVE DAMAGES, INCLUDING LOST PROFIT, LOST REVENUE, LOSS OF DATA, OR OTHER DAMAGES ARISING FROM YOUR USE OF THE SITE, EVEN IF WE HAVE BEEN ADVISED OF THE POSSIBILITY OF SUCH DAMAGES. NOTWITHSTANDING ANYTHING TO THE CONTRARY CONTAINED HEREIN, OUR LIABILITY TO YOU FOR ANY CAUSE WHATSOEVER AND REGARDLESS OF THE FORM OF THE ACTION, WILL AT ALL TIMES BE LIMITED TO THE AMOUNT PAID, IF ANY, BY YOU TO US DURING THE SIX (6) MONTH PERIOD PRIOR TO ANY CAUSE OF ACTION ARISING. CERTAIN STATE LAWS DO NOT ALLOW LIMITATIONS ON IMPLIED WARRANTIES OR THE EXCLUSION OR LIMITATION OF CERTAIN DAMAGES. IF THESE LAWS APPLY TO YOU, SOME OR ALL OF THE ABOVE DISCLAIMERS OR LIMITATIONS MAY NOT APPLY TO YOU, AND YOU MAY HAVE ADDITIONAL RIGHTS.

INDEMNIFICATION#

You agree to defend, indemnify, and hold us harmless, including our subsidiaries, affiliates, and all of our respective officers, agents, partners, and employees, from and against any loss, damage, liability, claim, or demand, including reasonable attorneys’ fees and expenses, made by any third party due to or arising out of: (1) use of the Site; (2) breach of these Terms of Use; (3) any breach of your representations and warranties set forth in these Terms of Use; (4) your violation of the rights of a third party, including but not limited to intellectual property rights; or (5) any overt harmful act toward any other user of the Site with whom you connected via the Site. Notwithstanding the foregoing, we reserve the right, at your expense, to assume the exclusive defense and control of any matter for which you are required to indemnify us, and you agree to cooperate, at your expense, with our defense of such claims. We will use reasonable efforts to notify you of any such claim, action, or proceeding which is subject to this indemnification upon becoming aware of it.

USER DATA#

We will maintain certain data that you transmit to the Site for the purpose of managing the performance of the Site, as well as data relating to your use of the Site. Although we perform regular routine backups of data, you are solely responsible for all data that you transmit or that relates to any activity you have undertaken using the Site. You agree that we shall have no liability to you for any loss or corruption of any such data, and you hereby waive any right of action against us arising from any such loss or corruption of such data.

ELECTRONIC COMMUNICATIONS, TRANSACTIONS, AND SIGNATURES#

Visiting the Site, sending us emails, and completing online forms constitute electronic communications. You consent to receive electronic communications, and you agree that all agreements, notices, disclosures, and other communications we provide to you electronically, via email and on the Site, satisfy any legal requirement that such communication be in writing. YOU HEREBY AGREE TO THE USE OF ELECTRONIC SIGNATURES, CONTRACTS, ORDERS, AND OTHER RECORDS, AND TO ELECTRONIC DELIVERY OF NOTICES, POLICIES, AND RECORDS OF TRANSACTIONS INITIATED OR COMPLETED BY US OR VIA THE SITE. You hereby waive any rights or requirements under any statutes, regulations, rules, ordinances, or other laws in any jurisdiction which require an original signature or delivery or retention of non-electronic records, or to payments or the granting of credits by any means other than electronic means.

CALIFORNIA USERS AND RESIDENTS#

If any complaint with us is not satisfactorily resolved, you can contact the Complaint Assistance Unit of the Division of Consumer Services of the California Department of Consumer Affairs in writing at 1625 North Market Blvd., Suite N 112, Sacramento, California 95834 or by telephone at (800) 952-5210 or (916) 445-1254.

MISCELLANEOUS#

These Terms of Use and any policies or operating rules posted by us on the Site or in respect to the Site constitute the entire agreement and understanding between you and us. Our failure to exercise or enforce any right or provision of these Terms of Use shall not operate as a waiver of such right or provision. These Terms of Use operate to the fullest extent permissible by law. We may assign any or all of our rights and obligations to others at any time. We shall not be responsible or liable for any loss, damage, delay, or failure to act caused by any cause beyond our reasonable control. If any provision or part of a provision of these Terms of Use is determined to be unlawful, void, or unenforceable, that provision or part of the provision is deemed severable from these Terms of Use and does not affect the validity and enforceability of any remaining provisions. There is no joint venture, partnership, employment or agency relationship created between you and us as a result of these Terms of Use or use of the Site. You agree that these Terms of Use will not be construed against us by virtue of having drafted them. You hereby waive any and all defenses you may have based on the electronic form of these Terms of Use and the lack of signing by the parties hereto to execute these Terms of Use.

CONTACT US#

In order to resolve a complaint regarding the Site or to receive further information regarding use of the Site, please contact us at:

NumFOCUS, Inc.
P.O. Box 90596
Austin, TX, USA 78709
info@numfocus.org
+1 (512) 222-5449

On this page

Terms of Use

Last updated January 4, 2020

AGREEMENT TO TERMS#

USER REPRESENTATIONS#

If you provide any information that is untrue, inaccurate, not current, or incomplete, we have the right to refuse any and all current or future use of the Site (or any portion thereof).

PROHIBITED ACTIVITIES#

You may not access or use the Site for any purpose other than that for which we make the Site available.

As a user of the Site, you agree not to:

Systematically retrieve data or other content from the Site to create or compile, directly or indirectly, a collection, compilation, database, or directory without written permission from us.
Make any unauthorized use of the Site, including collecting usernames and/or email addresses of users by electronic or other means for the purpose of sending unsolicited email, or creating user accounts by automated means or under false pretenses.
Use the Site to advertise or offer to sell goods and services.
Circumvent, disable, or otherwise interfere with security-related features of the Site.
Engage in unauthorized framing of or linking to the Site.
Trick, defraud, or mislead us and other users, especially in any attempt to learn sensitive account information such as user passwords.
Make improper use of our support services or submit false reports of abuse or misconduct.
Engage in any automated use of the system, such as using scripts to send comments or messages, or using any data mining, robots, or similar data gathering and extraction tools.
Interfere with, disrupt, or create an undue burden on the Site or the networks or services connected to the Site.
Attempt to impersonate another user or person or use the username of another user.
Use any information obtained from the Site in order to harass, abuse, or harm another person.
Disparage, tarnish, or otherwise harm, in our opinion, us and/or the Site.
Except as may be the result of standard search engine or Internet browser usage, use, launch, develop, or distribute any automated system, including without limitation, any spider, robot, cheat utility, scraper, or offline reader that accesses the Site, or using or launching any unauthorized script or other software.
Upload or transmit (or attempt to upload or to transmit) any material that acts as a passive or active information collection or transmission mechanism, including without limitation, clear graphics interchange formats (“gifs”), 1×1 pixels, web bugs, cookies, or other similar devices (sometimes referred to as “spyware” or “passive collection mechanisms” or “pcms”).
Upload or transmit (or attempt to upload or to transmit) viruses, Trojan horses, or other material, including excessive use of capital letters and spamming (continuous posting of repetitive text), that interferes with any party’s uninterrupted use and enjoyment of the Site or modifies, impairs, disrupts, alters, or interferes with the use, features, functions, operation, or maintenance of the Site.
Harass, annoy, intimidate, or threaten any of our employees or agents engaged in providing any portion of the Site to you.
Attempt to bypass any measures of the Site designed to prevent or restrict access to the Site, or any portion of the Site.

SUBMISSIONS#

THIRD-PARTY WEBSITES AND CONTENT#

SITE MANAGEMENT#

PRIVACY POLICY#

TERM AND TERMINATION#

MODIFICATIONS AND INTERRUPTIONS#

GOVERNING LAW#

DISPUTE RESOLUTION#

Informal Negotiations#

Binding Arbitration#

Restrictions#

Exceptions to Informal Negotiations and Arbitration#

CORRECTIONS#

DISCLAIMER#

LIMITATIONS OF LIABILITY#

INDEMNIFICATION#

USER DATA#

ELECTRONIC COMMUNICATIONS, TRANSACTIONS, AND SIGNATURES#

CALIFORNIA USERS AND RESIDENTS#

MISCELLANEOUS#

CONTACT US#

In order to resolve a complaint regarding the Site or to receive further information regarding use of the Site, please contact us at:

NumFOCUS, Inc.
P.O. Box 90596
Austin, TX, USA 78709
info@numfocus.org
+1 (512) 222-5449

On this page

\ No newline at end of file diff --git a/es/user-survey-2020/index.html b/es/user-survey-2020/index.html index 32faa5f..d4216cb 100644 --- a/es/user-survey-2020/index.html +++ b/es/user-survey-2020/index.html @@ -8,6 +8,5 @@

ENCUESTA DE LA COMUNIDAD NUMPY 2020

En 2020, el equipo de encuestas de NumPy, en asociación con estudiantes y profesores de un curso de Maestría en Metodología de Encuestas organizado conjuntamente por la Universidad de Michigan y la Universidad de Maryland, llevaron a cabo la primera encuesta oficial de la comunidad NumPy. Más de 1,200 usuarios de 75 países participaron para ayudarnos a proyectar un panorama de la comunidad NumPy y expresaron sus pensamientos sobre el futuro del proyecto.

Encuesta de la Comunidad de NumPy 2020 - resultados#

Descarga el informe para ver a detalle los resultados de la encuesta.

Para los puntos destacados, echa un vistazo a esta infografía.

¿Listo para una inmersión profunda? Visita https://numpy.org/user-survey-2020-details/.

On this page

ENCUESTA DE LA COMUNIDAD NUMPY 2020

Encuesta de la Comunidad de NumPy 2020 - resultados#

Descarga el informe para ver a detalle los resultados de la encuesta.

Para los puntos destacados, echa un vistazo a esta infografía.

¿Listo para una inmersión profunda? Visita https://numpy.org/user-survey-2020-details/.

On this page

\ No newline at end of file diff --git a/es/user-surveys/index.html b/es/user-surveys/index.html index ae0c456..eb23a88 100644 --- a/es/user-surveys/index.html +++ b/es/user-surveys/index.html @@ -10,6 +10,5 @@

ENCUESTAS DE USUARIOS DE NUMPY

2020 El equipo de encuestas de NumPy, en asociación con estudiantes y profesores de la Universidad de Michigan y de la Universidad de Maryland, realizó la primera encuesta oficial de la comunidad de NumPy. Encuentra los resultados de la encuesta aquí.

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.

On this page

ENCUESTAS DE USUARIOS DE NUMPY

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.

On this page

\ No newline at end of file diff --git a/gethelp/index.html b/gethelp/index.html index d9e210b..88c82c2 100644 --- a/gethelp/index.html +++ b/gethelp/index.html @@ -15,6 +15,5 @@ like StackOverflow or Reddit. We wish we could keep an eye on these sites, or answer questions directly, but the volume is a little -overwhelming!

StackOverflow #

A forum for asking usage questions, e.g. “How do I do X in NumPy?”. Please use the #numpy tag

Reddit #

Another forum for usage questions.

On this page

Thank you! 🎉

+overwhelming!

StackOverflow #

A forum for asking usage questions, e.g. “How do I do X in NumPy?”. Please use the #numpy tag

Reddit #

Another forum for usage questions.

On this page

\ No newline at end of file diff --git a/history/index.html b/history/index.html index a5b77a9..5523a7b 100644 --- a/history/index.html +++ b/history/index.html @@ -8,6 +8,5 @@

History of NumPy

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.

For the in-depth account on milestones in the development of NumPy and related libraries please see arxiv.org.

If you’d like to obtain a copy of the original Numeric and Numarray libraries, follow the links below:

Download Page for Numeric*

Download Page for Numarray*

*_{Please note that these older array packages are no longer maintained, and users are strongly advised to use NumPy for any array-related purposes or refactor any pre-existing code to utilize the NumPy library.}

Historic Documentation#

Download `Numeric’ Manual

On this page

History of NumPy

For the in-depth account on milestones in the development of NumPy and related libraries please see arxiv.org.

If you’d like to obtain a copy of the original Numeric and Numarray libraries, follow the links below:

Download Page for Numeric*

Download Page for Numarray*

Historic Documentation#

Download `Numeric’ Manual

On this page

\ No newline at end of file diff --git a/index.html b/index.html index b6bf9a1..44edf4b 100644 --- a/index.html +++ b/index.html @@ -49,6 +49,5 @@ Machine Learning

Nearly every scientist working in Python draws on the power of NumPy.

NumPy brings the computational power of languages like C and Fortran to Python, a language much easier to learn and use. With this power comes simplicity: a solution in NumPy is often clear and elegant.

Quantum Computing
Statistical Computing
Signal Processing
Image Processing
Graphs and Networks
Astronomy
Cognitive Psychology
- PsychoPy
Bioinformatics
Bayesian Inference
Mathematical Analysis
Chemistry
Geoscience
Geographic Processing
Architecture & Engineering

NumPy's API is the starting point when libraries are written to exploit innovative hardware, create specialized array types, or add capabilities beyond what NumPy provides.

	Array Library	Capabilities & Application areas
	Dask	Distributed arrays and advanced parallelism for analytics, enabling performance at scale.
	CuPy	NumPy-compatible array library for GPU-accelerated computing with Python.
	JAX	Composable transformations of NumPy programs: differentiate, vectorize, just-in-time compilation to GPU/TPU.
	Xarray	Labeled, indexed multi-dimensional arrays for advanced analytics and visualization.
	Sparse	NumPy-compatible sparse array library that integrates with Dask and SciPy's sparse linear algebra.
	PyTorch	Deep learning framework that accelerates the path from research prototyping to production deployment.
	TensorFlow	An end-to-end platform for machine learning to easily build and deploy ML powered applications.
	Arrow	A cross-language development platform for columnar in-memory data and analytics.
	xtensor	Multi-dimensional arrays with broadcasting and lazy computing for numerical analysis.
	Awkward Array	Manipulate JSON-like data with NumPy-like idioms.
	uarray	Python backend system that decouples API from implementation; unumpy provides a NumPy API.
	tensorly	Tensor learning, algebra and backends to seamlessly use NumPy, PyTorch, TensorFlow or CuPy.
	Blosc2	Accelerated computation for in-memory, on-disk, or remote compressed arrays.

NumPy lies at the core of a rich ecosystem of data science libraries. A typical exploratory data science workflow might look like:

Extract, Transform, Load: Pandas, Intake, PyJanitor
Exploratory analysis: Jupyter, Seaborn, Matplotlib, Altair
Model and evaluate: scikit-learn, statsmodels, PyMC, spaCy
Report in a dashboard: Dash, Panel, Voila

For high data volumes, Dask and Ray are designed to scale. Stable deployments rely on data versioning (DVC), experiment tracking (MLFlow), and workflow automation (Airflow, Dagster and Prefect).

Source: Google AI Blog

NumPy forms the basis of powerful machine learning libraries like scikit-learn and SciPy. As machine learning grows, so does the list of libraries built on NumPy. TensorFlow’s deep learning capabilities have broad applications — among them speech and image recognition, text-based applications, time-series analysis, and video detection. PyTorch, another deep learning library, is popular among researchers in computer vision and natural language processing.

Statistical techniques called ensemble methods such as binning, bagging, stacking, and boosting are among the ML algorithms implemented by tools such as XGBoost, LightGBM, and CatBoost — one of the fastest inference engines. Yellowbrick and Eli5 offer machine learning visualizations.

A pairplot of two types of graph, a plot-graph and a frequency graph made in seaborn"

A multi-dimensionan image made in napari.

NumPy is an essential component in the burgeoning Python visualization landscape, which includes Matplotlib, Seaborn, Plotly, Altair, Bokeh, Holoviz, Vispy, Napari, and PyVista, to name a few.

NumPy’s accelerated processing of large arrays allows researchers to visualize datasets far larger than native Python could handle.

CASE STUDIES

First Image of a Black Hole

How NumPy, together with libraries like SciPy and Matplotlib that depend on NumPy, enabled the Event Horizon Telescope to produce the first ever image of a black hole

Detection of Gravitational Waves

In 1916, Albert Einstein predicted gravitational waves; 100 years later their existence was confirmed by LIGO scientists using NumPy.

Sports Analytics

Cricket Analytics is changing the game by improving player and team performance through statistical modelling and predictive analytics. NumPy enables many of these analyses.

Pose Estimation using deep learning

DeepLabCut uses NumPy for accelerating scientific studies that involve observing animal behavior for better understanding of motor control, across species and timescales.

Thank you! 🎉

+Visualization

Nearly every scientist working in Python draws on the power of NumPy.

Quantum Computing
Statistical Computing
Signal Processing
Image Processing
Graphs and Networks
Astronomy
Cognitive Psychology
- PsychoPy
Bioinformatics
Bayesian Inference
Mathematical Analysis
Chemistry
Geoscience
Geographic Processing
Architecture & Engineering

NumPy's API is the starting point when libraries are written to exploit innovative hardware, create specialized array types, or add capabilities beyond what NumPy provides.

	Array Library	Capabilities & Application areas
	Dask	Distributed arrays and advanced parallelism for analytics, enabling performance at scale.
	CuPy	NumPy-compatible array library for GPU-accelerated computing with Python.
	JAX	Composable transformations of NumPy programs: differentiate, vectorize, just-in-time compilation to GPU/TPU.
	Xarray	Labeled, indexed multi-dimensional arrays for advanced analytics and visualization.
	Sparse	NumPy-compatible sparse array library that integrates with Dask and SciPy's sparse linear algebra.
	PyTorch	Deep learning framework that accelerates the path from research prototyping to production deployment.
	TensorFlow	An end-to-end platform for machine learning to easily build and deploy ML powered applications.
	Arrow	A cross-language development platform for columnar in-memory data and analytics.
	xtensor	Multi-dimensional arrays with broadcasting and lazy computing for numerical analysis.
	Awkward Array	Manipulate JSON-like data with NumPy-like idioms.
	uarray	Python backend system that decouples API from implementation; unumpy provides a NumPy API.
	tensorly	Tensor learning, algebra and backends to seamlessly use NumPy, PyTorch, TensorFlow or CuPy.
	Blosc2	Accelerated computation for in-memory, on-disk, or remote compressed arrays.

Diagram of Python Libraries. The five catagories are 'Extract, Transform, Load', 'Data Exploration', 'Data Modeling', 'Data Evaluation' and 'Data Presentation'.

NumPy lies at the core of a rich ecosystem of data science libraries. A typical exploratory data science workflow might look like:

Extract, Transform, Load: Pandas, Intake, PyJanitor
Exploratory analysis: Jupyter, Seaborn, Matplotlib, Altair
Model and evaluate: scikit-learn, statsmodels, PyMC, spaCy
Report in a dashboard: Dash, Panel, Voila

For high data volumes, Dask and Ray are designed to scale. Stable deployments rely on data versioning (DVC), experiment tracking (MLFlow), and workflow automation (Airflow, Dagster and Prefect).

Diagram of three overlapping circles. The circles are 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'.

Source: Google AI Blog

NumPy is an essential component in the burgeoning Python visualization landscape, which includes Matplotlib, Seaborn, Plotly, Altair, Bokeh, Holoviz, Vispy, Napari, and PyVista, to name a few.

NumPy’s accelerated processing of large arrays allows researchers to visualize datasets far larger than native Python could handle.

CASE STUDIES

First Image of a Black Hole

How NumPy, together with libraries like SciPy and Matplotlib that depend on NumPy, enabled the Event Horizon Telescope to produce the first ever image of a black hole

Detection of Gravitational Waves

In 1916, Albert Einstein predicted gravitational waves; 100 years later their existence was confirmed by LIGO scientists using NumPy.

Sports Analytics

Cricket Analytics is changing the game by improving player and team performance through statistical modelling and predictive analytics. NumPy enables many of these analyses.

Pose Estimation using deep learning

DeepLabCut uses NumPy for accelerating scientific studies that involve observing animal behavior for better understanding of motor control, across species and timescales.

\ No newline at end of file diff --git a/install/index.html b/install/index.html index 4ef4bed..79b9d6a 100644 --- a/install/index.html +++ b/install/index.html @@ -35,6 +35,5 @@ ImportError.

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.

On this page

404

おっとっと！間違った所にアクセスしているようです。

何かがここにページがあるべきだと思ったら、GitHub で issue を作成してください。

On this page

404

おっとっと！間違った所にアクセスしているようです。

何かがここにページがあるべきだと思ったら、GitHub で issue を作成してください。

On this page

\ No newline at end of file diff --git a/ja/about/index.html b/ja/about/index.html index 83c677b..b9e314f 100644 --- a/ja/about/index.html +++ b/ja/about/index.html @@ -17,6 +17,5 @@

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。

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)
NVIDIA (Sebastian Berg)

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 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 をご覧ください。

NumPy への寄付は NumFOCUS 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 に記載されています。

On this page

Thank you! 🎉

寄付#

On this page

\ No newline at end of file diff --git a/ja/arraycomputing/index.html b/ja/arraycomputing/index.html index af93c58..e4e32e1 100644 --- a/ja/arraycomputing/index.html +++ b/ja/arraycomputing/index.html @@ -13,6 +13,5 @@

配列演算

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。

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。

Numerical Python: 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。

arraycl

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 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。

On this page

配列演算

arraycl

On this page

\ No newline at end of file diff --git a/ja/case-studies/blackhole-image/index.html b/ja/case-studies/blackhole-image/index.html index 67d8e4f..304044b 100644 --- a/ja/case-studies/blackhole-image/index.html +++ b/ja/case-studies/blackhole-image/index.html @@ -21,6 +21,5 @@

ケーススタディ：世界初のブラックホール画像

Black Hole M87#
(Image Credits: Event Horizon Telescope Collaboration)

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。
—カリフォルニア工科大学計算・数理学部のKatie Bouman助教授

地球大の望遠鏡#

Event Horizon telescope(EHT)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!

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。
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。

課題#

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。
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。
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?

EHTのデータ処理パイプライン#
(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)

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？

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。

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。

ブラックホール画像化でNumPyが果たした役割#

例えば、 eht-imaging 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の中心としたehtimのソフトウェア依存図#

NumPyだけでなく、SciPyやPandas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が利用されました。

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。

利用されたNumPyの主要機能#

On this page

ケーススタディ：世界初のブラックホール画像

Black Hole M87#
(Image Credits: Event Horizon Telescope Collaboration)

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。
—カリフォルニア工科大学計算・数理学部のKatie Bouman助教授

地球大の望遠鏡#

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。
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。

課題#

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。
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。
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?

EHTのデータ処理パイプライン#
(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)

NumPyが果たした役割#

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。

ブラックホール画像化でNumPyが果たした役割#

NumPyの中心としたehtimのソフトウェア依存図#

まとめ#

利用されたNumPyの主要機能#

On this page

\ No newline at end of file diff --git a/ja/case-studies/cricket-analytics/index.html b/ja/case-studies/cricket-analytics/index.html index bc23625..5083fd2 100644 --- a/ja/case-studies/cricket-analytics/index.html +++ b/ja/case-studies/cricket-analytics/index.html @@ -16,6 +16,5 @@

ケーススタディ: クリケット分析、ゲームチェンジャー!

IPLT20、インド最大のクリケットフェスティバル#
(Image credits: IPLT20 (cup and logo) & Akash Yadav (stadium))

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。
—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67億ドルだと評価されています。

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 cricsheet. 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。

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

フィールドのフォーカルポイントとなるクリケットピッチ#
(Image credit: Debarghya Das)

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。

クリケットの姿勢推定#
(Image credit: connect.vin)

課題#

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。
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。
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。

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。 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。

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。因果分析とビッグデータアプローチが戦術的分析に使用されています。
データ可視化: データのグラフ化・可視化は、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。

利用されている主なNumPy機能 #

On this page

ケーススタディ: クリケット分析、ゲームチェンジャー!

IPLT20、インド最大のクリケットフェスティバル#
(Image credits: IPLT20 (cup and logo) & Akash Yadav (stadium))

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。
—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#

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

フィールドのフォーカルポイントとなるクリケットピッチ#
(Image credit: Debarghya Das)

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。

クリケットの姿勢推定#
(Image credit: connect.vin)

課題#

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。
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。
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。

クリケット解析におけるNumPyの役割#

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。因果分析とビッグデータアプローチが戦術的分析に使用されています。
データ可視化: データのグラフ化・可視化は、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#

利用されている主なNumPy機能 #

On this page

\ No newline at end of file diff --git a/ja/case-studies/deeplabcut-dnn/index.html b/ja/case-studies/deeplabcut-dnn/index.html index 9fdbc27..6123b77 100644 --- a/ja/case-studies/deeplabcut-dnn/index.html +++ b/ja/case-studies/deeplabcut-dnn/index.html @@ -20,6 +20,5 @@

ケーススタディ: DeepLabCut 三次元姿勢推定

DeepLapCutを用いたマウスの手の動きの解析#
(Source: www.deeplabcut.org )

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。
—Alexander Mathis、 准教授、École polytechnology fe’rale de Lausanne (EPFL)

DeepLabCut について#

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。

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。

色のついた点は競走馬の体の位置を追跡#
(Source: Mackenzie Mathis)

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、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。

DeepLabCutでは転移学習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。

最近、DeepLabCut model zoo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。

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:
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。
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。
このツールキットはオープンソースとして利用できます。
典型的なDeepLabCutワークフローは以下のようになります。
- オンライン学習によるトレーニングセットの作成と調整
- 特定の動物やシナリオに合わせたニューラルネットワークの構築
- 動画における大規模推論のためのコード作成
- 統合された可視化ツールを使用した推論の描画

DeepLabCutによる姿勢推定のステップ#
(Source: DeepLabCut)

課題#

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。
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。
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。

姿勢推定の多様性と難しさ#
(Source: Mackenzie Mathis)

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、Pandas、matplotlib、Tensorpack, imgaug、scikit-learn、scikit-image、Tensorflow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。

DeepLabCutのワークフロー#
(Source: Mackenzie Mathis)

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 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。

NumPyの主要機能#

On this page

ケーススタディ: DeepLabCut 三次元姿勢推定

DeepLapCutを用いたマウスの手の動きの解析#
(Source: www.deeplabcut.org )

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。
—Alexander Mathis、 准教授、École polytechnology fe’rale de Lausanne (EPFL)

DeepLabCut について#

色のついた点は競走馬の体の位置を追跡#
(Source: Mackenzie Mathis)

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:
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。
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。
このツールキットはオープンソースとして利用できます。
典型的なDeepLabCutワークフローは以下のようになります。
- オンライン学習によるトレーニングセットの作成と調整
- 特定の動物やシナリオに合わせたニューラルネットワークの構築
- 動画における大規模推論のためのコード作成
- 統合された可視化ツールを使用した推論の描画

DeepLabCutによる姿勢推定のステップ#
(Source: DeepLabCut)

課題#

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。
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。
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。

姿勢推定の多様性と難しさ#
(Source: Mackenzie Mathis)

姿勢推定の課題に対応するためのNumPyの役割#

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のワークフロー#
(Source: Mackenzie Mathis)

まとめ#

NumPyの主要機能#

On this page

\ No newline at end of file diff --git a/ja/case-studies/gw-discov/index.html b/ja/case-studies/gw-discov/index.html index 150bc52..12b626d 100644 --- a/ja/case-studies/gw-discov/index.html +++ b/ja/case-studies/gw-discov/index.html @@ -19,6 +19,5 @@

ケーススタディ: 重力波の発見

重力波#
(Image Credits: The Simulating eXtreme Spacetimes (SXS) Project at LIGO)

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。
—David Shoemaker, LIGOサイエンティフィック・コラボレーション

重力波と LIGO 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)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。

主な目的#

LIGOのミッションは、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。

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。

GW150914から推定される重力波の歪みの振幅#
(Graph Credits: Observation of Gravitational Waves from a Binary Black Hole Merger, ResearchGate Publication)

重力波の検出におけるNumPyの役割#

ブラックホール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。

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。

信号処理: グリッジ検出、ノイズ同定とデータ判定 (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: GwPyや PyCBC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。

GwPyのNumPy依存グラフ#

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。

利用されたNumPyの主要機能#

On this page

ケーススタディ: 重力波の発見

重力波#
(Image Credits: The Simulating eXtreme Spacetimes (SXS) Project at LIGO)

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。
—David Shoemaker, LIGOサイエンティフィック・コラボレーション

重力波と LIGO について#

主な目的#

LIGOのミッションは、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。

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。

GW150914から推定される重力波の歪みの振幅#
(Graph Credits: Observation of Gravitational Waves from a Binary Black Hole Merger, ResearchGate Publication)

重力波の検出におけるNumPyの役割#

信号処理: グリッジ検出、ノイズ同定とデータ判定 (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: GwPyや PyCBC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。

GwPyのNumPy依存グラフ#

PyCBCのNumPy依存グラフ#

まとめ#

利用されたNumPyの主要機能#

On this page

\ No newline at end of file diff --git a/ja/case-studies/index.html b/ja/case-studies/index.html index 8b87e62..7360abc 100644 --- a/ja/case-studies/index.html +++ b/ja/case-studies/index.html @@ -8,6 +8,5 @@

Case-Studies

\ No newline at end of file diff --git a/ja/citing-numpy/index.html b/ja/citing-numpy/index.html index d915dc8..c06f6bb 100644 --- a/ja/citing-numpy/index.html +++ b/ja/citing-numpy/index.html @@ -30,6 +30,5 @@ doi = {10.1038/s41586-020-2649-2}, publisher = {Springer Science and Business Media {LLC}}, url = {https://doi.org/10.1038/s41586-020-2649-2} -}

On this page

NumPy行動規範

はじめに#

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。

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。

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。

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。
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。
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。
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。
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。

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。

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。

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)。

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。

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。

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

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 。

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 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。

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。

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。

報告書の受領を確認
建設的な議論/フィードバック
調停（報告者と報告を受けたものの両方がフィードバックが役に立たなかったと同意した場合に限る）
行動規範委員会による透明性のある決定と執行( 決議を参照)

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:#

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。

SciPy行動規範

On this page

NumPy行動規範

はじめに#

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。

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。
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。
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。
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。
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。

多様性に関する声明#

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。

報告ガイドライン#

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

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 をご覧ください。

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。

報告書の受領を確認
建設的な議論/フィードバック
調停（報告者と報告を受けたものの両方がフィードバックが役に立たなかったと同意した場合に限る）
行動規範委員会による透明性のある決定と執行( 決議を参照)

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:#

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。

SciPy行動規範

On this page

\ No newline at end of file diff --git a/ja/community/index.html b/ja/community/index.html index 6c9b6e3..58e439c 100644 --- a/ja/community/index.html +++ b/ja/community/index.html @@ -13,6 +13,5 @@

コミュニティ

NumPy は常に多様なコントリビュータ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 行動規範をご覧ください。

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.

NumPyメーリングリスト：#

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。

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にあります。

GitHub イシュートラッカー #

バグレポート（例：”np.arange(3).shape returns (5,), when it should return (3,)");
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、こちらから報告してください。

Slack #

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を確認下さい。

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 (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、メーリングリストと Twitter 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。

SciPy US
EuroSciPy
SciPy Latin America
SciPy India
SciPy Japan
PyData conference (年に15~20のイベントが様々な国で開催されています。 )

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。

もし、NumPyに貢献したい場合は、コントリビュートページをご覧いただくことをお勧めします。

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、こちらのイベントカレンダーを確認ください。

On this page

コミュニティ

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メーリングリスト：#

GitHub イシュートラッカー #

バグレポート（例：”np.arange(3).shape returns (5,), when it should return (3,)");
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”).

Slack #

勉強会とミートアップ#

カンファレンス#

SciPy US
EuroSciPy
SciPy Latin America
SciPy India
SciPy Japan
PyData conference (年に15~20のイベントが様々な国で開催されています。 )

NumPy コミュニティに参加する#

もし、NumPyに貢献したい場合は、コントリビュートページをご覧いただくことをお勧めします。

On this page

\ No newline at end of file diff --git a/ja/contribute/index.html b/ja/contribute/index.html index f0136af..6a0580c 100644 --- a/ja/contribute/index.html +++ b/ja/contribute/index.html @@ -17,6 +17,5 @@

NumPy に貢献する

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。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。

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、 GitHub、イシューの作成、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、 numpy-team@googlegroups.com または、Slack (グループに招待するためにこちらに連絡お願いします: numpy-team@googlegroups.com)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、このガイドを読んでみて下さい。

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を制定しています。

コードを書く#

プログラマーの方には、こちらのガイドで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 チャンネルもご覧ください。

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

教育用の資料を作成する#

NumPy のユーザガイドは現在、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。

イシューのトリアージ#

NumPyのイシュートラッカーには、 _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:

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。

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。

ウェブサイトの翻訳#

私たちは、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を参照してください。この GitHubイシュー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 アカウントや、NumPyコードスプリントの開催、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。

寄付#

寄付をすることでNumpyに貢献したい場合は、 https://numpy.org/about/#donate をご覧ください。

On this page

NumPy に貢献する

連絡先としては、 numpy-team@googlegroups.com または、Slack (グループに招待するためにこちらに連絡お願いします: numpy-team@googlegroups.com)があります。

コードを書く#

プルリクエストのレビュー#

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#

イシューのトリアージ#

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。

ウェブサイトの開発#

グラフィックデザイン#

ウェブサイトの翻訳#

コミュニティとの連携とアウトリーチ#

資金調達#

寄付#

寄付をすることでNumpyに貢献したい場合は、 https://numpy.org/about/#donate をご覧ください。

On this page

\ No newline at end of file diff --git a/ja/gethelp/index.html b/ja/gethelp/index.html index 907d9dc..c2ce469 100644 --- a/ja/gethelp/index.html +++ b/ja/gethelp/index.html @@ -11,6 +11,5 @@

サポートを得る方法

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に質問を投稿することです。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、質問の数は膨大で対応しきれないのが現実です。

StackOverflow #

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 タグを使用してください。

Reddit #

もう一つの使い方に関する質問の場です。

On this page

サポートを得る方法

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、コミュニティのページを参照してください。

StackOverflow #

Reddit #

もう一つの使い方に関する質問の場です。

On this page

\ No newline at end of file diff --git a/ja/history/index.html b/ja/history/index.html index b90b5c9..476b729 100644 --- a/ja/history/index.html +++ b/ja/history/index.html @@ -14,6 +14,5 @@

NumPyの歴史

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 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 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 のダウンロード***

*Numarray * 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。}

過去の資料

Numericマニュアルのダウンロード

On this page

NumPyの歴史

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 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 のダウンロード***

*Numarray * 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

On this page

\ No newline at end of file diff --git a/ja/index.html b/ja/index.html index 13eb202..a2114ff 100644 --- a/ja/index.html +++ b/ja/index.html @@ -52,6 +52,5 @@ Machine Learning

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。

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。

量子コンピューティング
統計コンピューティング
信号処理
画像処理
グラフとネットワーク
天文学
認知心理学
- PsychoPy
生命情報科学
ベイズ推論
数学的分析
化学
地球科学
地理情報処理
アーキテクチャとエンジニアリング

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。

	配列ライブラリ	機能と応用分野
	Dask	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。
	CuPy	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
	JAX	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
	Xarray	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
	Sparse	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
	PyTorch	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
	TensorFlow	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
	MXNet	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
	Arrow	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
	xtensor	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
	Awkward	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
	uarray	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)

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。

抽出, 変換, 読み込み: Pandas, Intake, PyJanitor
探索的解析: Jupyter, Seaborn, Matplotlib, Altair
モデリングと評価: scikit-learn, statsmodels, PyMC, spaCy
ダッシュボードでのレポート: Dash, Panel, Voila

大規模データに対して、DaskとRayはスケールすることを目指して設計されています。安定したデプロイメントに関しては、データのバージョニング（DVC）、実験の追跡（MLFlow）、ワークフローの自動化（AirflowおよびPrefectが重要ですが様々なNumPyベースのツールが提供されています。

Source: Google AI Blog

NumPyは、scikit-learnやSciPy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。

ensemble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、LightGBM、CatBoost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やEli5は機械学習の可視化機能を提供しています。

2種類のグラフによるペアプロット。seabornで作られたプロットと周波数グラフ"

NumPyは、Matplotlib、Seaborn、Plotly、Altair、Bokeh、Holoviz、Vispy、Napari、PyVistaなどの、急成長しているPython visualization landscapeに欠かせないコンポーネントです。

NumPy の大規模配列の高速処理により、研究者は、ネイティブの Python が扱うことができるよりもはるかに大きなデータセットを可視化することができます。

ケーススタディ

世界初のブラックホール画像

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。

重力波の検知

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。

スポーツ分析

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。

深層学習による姿勢推定

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。

Thank you! 🎉

+Visualization

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。

量子コンピューティング
統計コンピューティング
信号処理
画像処理
グラフとネットワーク
天文学
認知心理学
- PsychoPy
生命情報科学
ベイズ推論
数学的分析
化学
地球科学
地理情報処理
アーキテクチャとエンジニアリング

	配列ライブラリ	機能と応用分野
	Dask	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。
	CuPy	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
	JAX	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
	Xarray	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
	Sparse	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
	PyTorch	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
	TensorFlow	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
	MXNet	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
	Arrow	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
	xtensor	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
	Awkward	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
	uarray	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)

Python ライブラリの図。5 つのカテゴリに分類され、「抽出、変換、読み込み」、「データ探索」、「モデリング」、「評価」、「可視化」です。

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。

抽出, 変換, 読み込み: Pandas, Intake, PyJanitor
探索的解析: Jupyter, Seaborn, Matplotlib, Altair
モデリングと評価: scikit-learn, statsmodels, PyMC, spaCy
ダッシュボードでのレポート: Dash, Panel, Voila

三つの円が重なり合う図。円はそれぞれ「数学」、「コンピューターサイエンス」、「専門知識」でラベル付けされています。図の中心部には、三つの円が重なり合って形成されるエリアがあり、「データサイエンス」とラベル付けされています。

Source: Google AI Blog

ケーススタディ

世界初のブラックホール画像

重力波の検知

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。

スポーツ分析

深層学習による姿勢推定

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。

\ No newline at end of file diff --git a/ja/install/index.html b/ja/install/index.html index 9107b7f..243ed92 100644 --- a/ja/install/index.html +++ b/ja/install/index.html @@ -25,6 +25,5 @@ # インストールコマンド conda install numpy

PIP

pipを使用する場合、以下のようにNumPyをインストールできます:

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を参照ください。こちらの記事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。

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。

初級ユーザ#

Windows、macOS、Linuxのすべてのユーザー向けには:

Anaconda をインストールします（必要なパッケージと以下に挙げるすべてのツールがインストールされます）。
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やVisual Studio Codeを利用できます。
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#

Miniforge をインストールします。
base のconda環境を出来るだけ小さく保って下さい。そして、一つか二つ個別のconda environmentを使って、作業中のタスクやプロジェクトに必要なパッケージをインストールしましょう。

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からや、Macを使っている場合はHomebrew、 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 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 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 と pip が最も広く利用されているツールです。

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。

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。

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！

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:

プロジェクトごとに異なる仮想環境を使用して下さい。
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:
- condaの場合: conda environmentsとenvironment.yml
- pipの場合: 仮想環境と requirements.txt
- poetryの場合: 仮想環境とpyproject.toml

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やOpenBLAS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。

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
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-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、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。
MKLは通常、OpenBLASよりも少し速く、より安定した解を得られます。

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。

トラブルシューティング#

インストールに失敗した場合に、下記のエラーメッセージが表示される場合は、トラブルシューティング ImportError を参照してください。

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.

On this page

	Biblioteca de Arrays	Recursos e áreas de aplicação
	Dask	Arrays distribuídas e paralelismo avançado para análise, permitindo desempenho em escala.
	CuPy	Biblioteca de matriz compatível com NumPy para computação acelerada pela GPU com Python.
	JAX	Transformações combináveis de programas NumPy: vetorização, compilação just-in-time para GPU/TPU.
	Xarray	Arrays multidimensionais rotuladas e indexadas para análise e visualização avançadas
	Sparse	Biblioteca de arrays compatíveis com o NumPy que pode ser integrada com Dask e álgebra linear esparsa da SciPy.
	PyTorch	Framework de deep learning que acelera o caminho entre prototipação de pesquisa e colocação em produção.
	TensorFlow	Uma plataforma completa para aprendizagem de máquina que permite construir e colocar em produção aplicações usando ML facilmente.
	MXNet	Framework de deep learning voltado para flexibilizar prototipação em pesquisa e produção.
	Arrow	Uma plataforma de desenvolvimento multi-linguagens para dados e análise para dados armazenados em colunas na memória.
	xtensor	Arrays multidimensionais com broadcasting e avaliação preguiçosa (lazy computing) para análise numérica.
	Awkward Array	Manipulação de dados JSON-like com sintaxe NumPy-like.
	uarray	Sistema de backend Python que dissocia a API da implementação; unumpy fornece uma API NumPy.
	tensorly	Ferramentas para aprendizagem com tensores, algebra e backends para usar NumPy, MXNet, PyTorch, TensorFlow ou CuPy sem esforço.
	Blosc2	Cálculo acelerado com arrays comprimidos na memória, no disco ou remotos.

	Biblioteca de Arrays	Recursos e áreas de aplicação
	Dask	Arrays distribuídas e paralelismo avançado para análise, permitindo desempenho em escala.
	CuPy	Biblioteca de matriz compatível com NumPy para computação acelerada pela GPU com Python.
	JAX	Transformações combináveis de programas NumPy: vetorização, compilação just-in-time para GPU/TPU.
	Xarray	Arrays multidimensionais rotuladas e indexadas para análise e visualização avançadas
	Sparse	Biblioteca de arrays compatíveis com o NumPy que pode ser integrada com Dask e álgebra linear esparsa da SciPy.
	PyTorch	Framework de deep learning que acelera o caminho entre prototipação de pesquisa e colocação em produção.
	TensorFlow	Uma plataforma completa para aprendizagem de máquina que permite construir e colocar em produção aplicações usando ML facilmente.
	MXNet	Framework de deep learning voltado para flexibilizar prototipação em pesquisa e produção.
	Arrow	Uma plataforma de desenvolvimento multi-linguagens para dados e análise para dados armazenados em colunas na memória.
	xtensor	Arrays multidimensionais com broadcasting e avaliação preguiçosa (lazy computing) para análise numérica.
	Awkward Array	Manipulação de dados JSON-like com sintaxe NumPy-like.
	uarray	Sistema de backend Python que dissocia a API da implementação; unumpy fornece uma API NumPy.
	tensorly	Ferramentas para aprendizagem com tensores, algebra e backends para usar NumPy, MXNet, PyTorch, TensorFlow ou CuPy sem esforço.
	Blosc2	Cálculo acelerado com arrays comprimidos na memória, no disco ou remotos.