params:

machinelearning:

paras:

- para1: NumPy constituye la base de potentes librerías de aprendizaje automático como [scikit-learn](https://scikit-learn.org) y [SciPy](https://www.scipy.org). A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de [TensorFlow](https://www.tensorflow.org) tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. [PyTorch](https://pytorch.org), otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural.

para2: Las técnicas estadísticas denominadas métodos [ensemble](https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205), como binning, bagging, stacking y boosting, se encuentran entre los algoritmos de ML implementados por herramientas como [XGBoost](https://xgboost.readthedocs.io/), [LightGBM](https://lightgbm.readthedocs.io/en/latest/) y [CatBoost](https://catboost.ai) — uno de los motores de inferencia más rápidos. [Yellowbrick](https://www.scikit-yb.org/en/latest/) y [Eli5](https://eli5.readthedocs.io/en/latest/) ofrecen visualizaciones de aprendizaje automático.

arraylibraries:

intro:

- text: La API de NumPy es el punto de partida cuando se escriben librerías para explotar hardware innovador, crear tipos de arreglos especializadas o añadir capacidades más allá de lo que NumPy proporciona.

headers:

- text: Librería de arreglos

- text: Capacidades y áreas de aplicación

libraries:

- title: Dask

text: Arreglos distribuidos y paralelismo avanzado para análisis, que permiten un rendimiento a escala.

img: /images/content_images/arlib/dask.png

alttext: Dask

url: https://dask.org/

- title: CuPy

text: Librería de arreglos compatible con NumPy para cálculo acelerado en la GPU con Python.

img: /images/content_images/arlib/cupy.png

alttext: CuPy

url: https://cupy.dev

- title: JAX

text: "Transformaciones componibles de programas NumPy: diferenciar, vectorizar, compilación justo-a-tiempo a GPU/TPU."

img: /images/content_images/arlib/jax_logo_250px.png

alttext: JAX

url: https://jax.readthedocs.io/

- title: Xarray

text: Arreglos multidimensionales indexados y etiquetados para análisis y visualización avanzados.

img: /images/content_images/arlib/xarray.png

alttext: xarray

url: https://xarray.pydata.org/en/stable/index.html

- title: Sparse

text: Librería de arreglos dispersos compatible con NumPy que se integra con el álgebra lineal dispersa de Dask y SciPy.

img: /images/content_images/arlib/sparse.png

alttext: sparse

url: https://sparse.pydata.org/en/latest/

- title: PyTorch

text: Marco de aprendizaje profundo que acelera el camino desde la creación de prototipos de investigación hasta la implantación en producción.

img: /images/content_images/arlib/pytorch-logo-dark.svg

alttext: PyTorch

url: https://pytorch.org/

- title: TensorFlow

text: Una plataforma integral de aprendizaje automático para crear y desplegar fácilmente aplicaciones basadas en ML.

img: /images/content_images/arlib/tensorflow-logo.svg

alttext: TensorFlow

url: https://www.tensorflow.org

- title: Arrow

text: Plataforma de desarrollo multilingüe para datos y análisis columnares en memoria.

img: /images/content_images/arlib/arrow.png

alttext: arrow

url: https://arrow.apache.org/

- title: xtensor

text: Arreglos multidimensionales con difusión y computación perezosa para análisis numérico.

img: /images/content_images/arlib/xtensor.png

alttext: xtensor

url: https://github.com/xtensor-stack/xtensor-python

- title: Awkward Array

text: Manipular datos similares a JSON con expresiones similares a NumPy.

img: /images/content_images/arlib/awkward.svg

alttext: awkward

url: https://awkward-array.org/

- title: uarray

text: Sistema de backend de Python que desacopla la API de la implementación; unumpy proporciona una API de NumPy.

img: /images/content_images/arlib/uarray.png

alttext: uarray

url: https://uarray.org/en/latest/

- title: tensorly

text: Aprendizaje tensorial, álgebra y backends para usar de manera fluida NumPy, PyTorch, TensorFlow o CuPy.

img: /images/content_images/arlib/tensorly.png

alttext: tensorly

url: http://tensorly.org/stable/home.html

scientificdomains:

intro:

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

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

libraries:

- title: Computación Cuántica

alttext: Un chip para computador.

img: /images/content_images/sc_dom_img/quantum_computing.svg

links:

- url: http://qutip.org

label: QuTiP

- url: https://pyquil-docs.rigetti.com/en/stable

label: PyQuil

- url: https://qiskit.org

label: Qiskit

- url: https://pennylane.ai

label: PennyLane

- title: Computación Estadística

alttext: Un gráfico lineal con la línea moviéndose hacia arriba.

img: /images/content_images/sc_dom_img/statistical_computing.svg

links:

- url: https://pandas.pydata.org/

label: Pandas

- url: https://www.statsmodels.org/

label: statsmodels

- url: https://xarray.pydata.org/en/stable/

label: Xarray

- url: https://seaborn.pydata.org/

label: Seaborn

- title: Procesamiento de Señales

alttext: Un gráfico de barras con valores positivos y negativos.

img: /images/content_images/sc_dom_img/signal_processing.svg

links:

- url: https://www.scipy.org/

label: SciPy

- url: https://pywavelets.readthedocs.io/

label: PyWavelets

- url: https://python-control.org/

label: python-control

- url: https://hyperspy.org/

label: HiperSpy

- title: Procesamiento de Imágenes

alttext: Una fotografía de las montañas.

img: /images/content_images/sc_dom_img/image_processing.svg

links:

- url: https://scikit-image.org/

label: Scikit-image

- url: https://opencv.org/

label: OpenCV

- url: https://mahotas.rtfd.io/

label: Mahotas

- title: Grafos y Redes

alttext: Un grafo simple.

img: /images/content_images/sc_dom_img/sd6.svg

links:

- url: https://networkx.org/

label: NetworkX

- url: https://graph-tool.skewed.de/

label: graph-tool

- url: https://igraph.org/python/

label: igraph

- url: https://pygsp.rtfd.io/

label: PyGSP

- title: Astronomía

alttext: Un telescopio.

img: /images/content_images/sc_dom_img/astronomy_processes.svg

links:

- url: https://www.astropy.org/

label: AstroPy

- url: https://sunpy.org/

label: SunPy

- url: https://spacepy.github.io/

label: SpacePy

- title: Psicología Cognitiva

alttext: Una cabeza humana con engranajes.

img: /images/content_images/sc_dom_img/cognitive_psychology.svg

links:

- url: https://www.psychopy.org/

label: PsychoPy

- title: Bioinformática

alttext: Una hebra de ADN.

img: /images/content_images/sc_dom_img/bioinformatics.svg

links:

- url: https://biopython.org/

label: BioPython

- url: http://scikit-bio.org/

label: Scikit-Bio

- url: https://github.com/openvax/pyensembl

label: PyEnsembl

- url: http://etetoolkit.org/

label: ETE

- title: Inferencia Bayesiana

alttext: Un gráfico con una curva en forma de campanas.

img: /images/content_images/sc_dom_img/bayesian_inference.svg

links:

- url: https://pystan.readthedocs.io/en/latest/

label: PyStan

- url: https://docs.pymc.io/

label: PyMC3

- url: https://arviz-devs.github.io/arviz/

label: ArviZ

- url: https://emcee.readthedocs.io/

label: emcee

- title: Análisis Matemático

alttext: Cuatro símbolos matemáticos.

img: /images/content_images/sc_dom_img/mathematical_analysis.svg

links:

- url: https://www.scipy.org/

label: SciPy

- url: https://www.sympy.org/

label: SymPy

- url: https://www.cvxpy.org/

label: cvxpy

- url: https://fenicsproject.org/

label: FEniCS

- title: Química

alttext: Un tubo de ensayo.

img: /images/content_images/sc_dom_img/chemistry.svg

links:

- url: https://cantera.org/

label: Cantera

- url: https://www.mdanalysis.org/

label: MDAnalysis

- url: https://github.com/rdkit/rdkit

label: RDKit

- url: https://www.pybamm.org/

label: PyBaMM

- title: Geociencia

alttext: La Tierra.

img: /images/content_images/sc_dom_img/geoscience.svg

links:

- url: https://pangeo.io/

label: Pangeo

- url: https://simpeg.xyz/

label: Simpeg

- url: https://github.com/obspy/obspy/wiki

label: ObsPy

- url: https://www.fatiando.org/

label: Fatiando a Terra

- title: Procesamiento Geográfico

alttext: Un mapa.

img: /images/content_images/sc_dom_img/GIS.svg

links:

- url: https://shapely.readthedocs.io/

label: Shapely

- url: https://geopandas.org/

label: GeoPandas

- url: https://python-visualization.github.io/folium

label: Folium

- title: Arquitectura e Ingeniería

alttext: Una placa de desarrollo de microprocesadores.

img: /images/content_images/sc_dom_img/robotics.svg

links:

- url: https://compas.dev/

label: COMPAS

- url: https://cityenergyanalyst.com/

label: City Energy Analyst - Analista de Energía de Ciudad

- url: https://nortikin.github.io/sverchok/

label: Sverchok

datascience:

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

image1:

- img: /images/content_images/ds-landscape.png

alttext: Diagrama de las librerías de Python. Las cinco categorías son "Extraer, Transformar, Cargar", "Exploración de Datos", "Modelado de Datos", "Evaluación de Datos" y "Presentación de Datos".

image2:

- img: /images/content_images/data-science.png

alttext: Diagrama de tres círculos superpuestos. Los círculos se denominan "Matemáticas", "Ciencias de la Computación" y "Conocimientos Especializados". En el centro del diagrama, con los tres círculos superpuestos, hay un área denominada "Ciencia de datos".

examples:

- text: "<b>Extraer, Transformar, Cargar: </b>[Pandas](https://pandas.pydata.org), [Intake](https://intake.readthedocs.io), [PyJanitor](https://pyjanitor.readthedocs.io/)"

- text: "<b>Análisis Exploratorio: </b>[Jupyter](https://jupyter.org), [Seaborn](https://seaborn.pydata.org), [Matplotlib](https://matplotlib.org), [Altair](https://altair-viz.github.io)"

- text: "<b>Modelado y evaluación: </b>[scikit-learn](https://scikit-learn.org), [statsmodels](https://www.statsmodels.org/stable/index.html), [PyMC3](https://docs.pymc.io), [spaCy](https://spacy.io)"

- text: "<b>Informes en un panel de control: </b>[Dash](https://plotly.com/dash), [Panel](https://panel.holoviz.org), [Voila](https://github.com/voila-dashboards/voila)"

content:

- text: Para grandes volúmenes de datos, [Dask](https://dask.org) y [Ray](https://ray.io/) están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos ([DVC](https://dvc.org)), rastreo de experimentos ([MLFlow](https://mlflow.org)), y automatización del flujo de trabajo ([Airflow](https://airflow.apache.org), [Dagster](https://dagster.io) y [Prefect](https://www.prefect.io)).

visualization:

images:

- url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries

img: /images/content_images/v_matplotlib.png

alttext: Un diagrama de flujo hecho en matplotlib

- url: https://github.com/yhat/ggpy

img: /images/content_images/v_ggpy.png

alttext: Un diagrama de dispersión hecho en ggpy

- url: https://www.journaldev.com/19692/python-plotly-tutorial

img: /images/content_images/v_plotly.png

alttext: Un diagrama de caja hecho en plotly

- url: https://altair-viz.github.io/gallery/streamgraph.html

img: /images/content_images/v_altair.png

alttext: Un diagrama de flujo hecho en altair

- url: https://seaborn.pydata.org

img: /images/content_images/v_seaborn.png

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

- url: https://docs.pyvista.org/examples/index.html

img: /images/content_images/v_pyvista.png

alttext: Un renderizado de volumen 3D realizado en PyVista.

- url: https://napari.org

img: /images/content_images/v_napari.png

alttext: Una imagen multidimensional hecha en napari.

- url: https://vispy.org/gallery/index.html

img: /images/content_images/v_vispy.png

alttext: Un diagrama de Voronoi hecho en vispy.

content:

- text: NumPy es un componente esencial en el floreciente [panorama de visualización de Python](https://pyviz.org/overviews/index.html), que incluye [Matplotlib](https://matplotlib.org), [Seaborn](https://seaborn.pydata.org), [Plotly](https://plot.ly), [Altair](https://altair-viz.github.io), [Bokeh](https://docs.bokeh.org/en/latest/), [Holoviz](https://holoviz.org), [Vispy](http://vispy.org), [Napari](https://github.com/napari/napari), y [PyVista](https://github.com/pyvista/pyvista), por nombrar algunos.

- text: El procesamiento acelerado de arreglos de gran tamaño de NumPy permite a los investigadores visualizar conjuntos de datos mucho mayores a los que el Python nativo podría manejar.