diff --git a/content/pt/about.md b/content/pt/about.md index fd3fb1217a..40407d3cdf 100644 --- a/content/pt/about.md +++ b/content/pt/about.md @@ -3,11 +3,9 @@ title: Quem Somos sidebar: false --- -_Algumas informações sobre o projeto NumPy e a comunidade_ +NumPy é um projeto de código aberto que visa possibilitar a computação numérica com Python. Foi criado em 2005, com base no trabalho inicial das bibliotecas Numeric e Numarray. O NumPy sempre será 100% software de código aberto, livre para que todos usem. É lançado sob os termos liberais da [licença BSD modificada](https://github.com/numpy/numpy/blob/main/LICENSE.txt). -NumPy é um projeto de código aberto visando habilitar a computação numérica com Python. Foi criado em 2005, com base no trabalho inicial das bibliotecas Numeric e Numarray. O NumPy sempre será um software 100% de código aberto, livre para que todos usem e disponibilizados sob os termos liberais da [licença BSD modificada](https://github.com/numpy/numpy/blob/main/LICENSE.txt). - -O NumPy é desenvolvido no GitHub, através do consenso da comunidade NumPy e de uma comunidade científica em Python mais ampla. Para obter mais informações sobre nossa abordagem de governança, por favor, consulte nosso [Documento de Governança](https://www.numpy.org/devdocs/dev/governance/index.html). +O NumPy é desenvolvido no GitHub, através do consenso da comunidade NumPy e de uma comunidade mais ampla de Python científico. Para obter mais informações sobre nossa abordagem de governança, por favor, consulte nosso [Documento de Governança](https://www.numpy.org/devdocs/dev/governance/index.html). ## Conselho Diretor (Steering Council) @@ -35,17 +33,30 @@ Membros Eméritos: - Jaime Fernández del Río (2014-2021) - Pauli Virtanen (2008-2021) +Para entrar em contato com o conselho diretor do NumPy, por favor envie um email para numpy-team@googlegroups.com. + ## Times -O projeto NumPy está crescendo; temos equipes para +A liderança do projeto NumPy trabalha ativamente na diversificação dos caminhos possíveis para contribuições.
Atualmente, o NumPy conta com os seguintes times: -- código +- desenvolvimento - documentação -- website - triagem +- website +- pesquisa +- traduções +- mentores para sprints de desenvolvimento - financiamento e bolsas -Veja a página de [Times](/teams/) para membros individuais de cada time. +Veja a página sobre os [Times]({{< relref "/teams" >}}) para mais informações. + +## Subcomitê NumFOCUS + +- Charles Harris +- Ralf Gommers +- Melissa Weber Mendonça +- Sebastian Berg +- Membro externo: Thomas Caswell ## Patrocinadores @@ -56,6 +67,11 @@ O NumPy recebe financiamento direto das seguintes fontes: ## Parceiros Institucionais Os Parceiros Institucionais são organizações que apoiam o projeto, empregando pessoas que contribuem para a NumPy como parte de seu trabalho. Os parceiros institucionais atuais incluem: + +- UC Berkeley (Stéfan van der Walt) +- Quansight (Nathan Goldbaum, Ralf Gommers, Matti Picus, Melissa Weber Mendonça) +- NVIDIA (Sebastian Berg) + {{< partners >}} @@ -68,4 +84,6 @@ NumPy é um Projeto Patrocinado da NumFOCUS, uma instituição de caridade sem f Doações para o NumPy são gerenciadas pela [NumFOCUS](https://numfocus.org). Para doadores nos Estados Unidos, sua doação é dedutível para fins fiscais na medida oferecida pela lei. Como em qualquer doação, você deve consultar seu conselheiro fiscal sobre sua situação fiscal em particular. O Conselho Diretor da NumPy tomará as decisões sobre a melhor forma de utilizar os fundos recebidos. Prioridades técnicas e de infraestrutura estão documentadas no [NumPy Roadmap](https://www.numpy.org/neps/index.html#roadmap). -{{< numfocus >}} + +{{}} + diff --git a/content/pt/case-studies/cricket-analytics.md b/content/pt/case-studies/cricket-analytics.md index c2fbcac9c8..e3821f1aa7 100644 --- a/content/pt/case-studies/cricket-analytics.md +++ b/content/pt/case-studies/cricket-analytics.md @@ -16,7 +16,7 @@ Dizer que os indianos adoram o críquete seria subestimar este sentimento. O jog A Primeira Liga Indiana (*Indian Premier League* - IPL) é uma liga profissional de críquete [Twenty20](https://pt.wikipedia.org/wiki/Twenty20), fundada em 2008. É um dos eventos de críquete mais assistidos no mundo, avaliado em [$6,7 bilhões de dólares](https://en.wikipedia.org/wiki/Indian_Premier_League) em 2019. -Críquete é um jogo dominado pelos números - as corridas executadas por um batsman, os wickets perdidos por um boleador, as partidas ganhas por uma equipe de críquete, o número de vezes que um batsman responde de certa maneira a um tipo de arremesso do boleador, etc. A capacidade de investigar números de críquete para melhorar o desempenho e estudar as oportunidades de negócio, mercado e economia de críquete através de poderosas ferramentas de análise, alimentadas por softwares numéricos de computação, como o NumPy, é um grande negócio. As análises de críquete fornecem informações interessantes sobre o jogo e informações preditivas sobre os resultados do jogo. +perdidos por um boleador, as partidas ganhas por uma equipe de críquete, o número de vezes que um batsman responde de certa maneira a um tipo de arremesso do boleador, etc. A capacidade de investigar números de críquete para melhorar o desempenho e estudar as oportunidades de negócio, mercado e economia de críquete através de poderosas ferramentas de análise, alimentadas por softwares numéricos de computação, como o NumPy, é um grande negócio. A capacidade de investigar estatísticas do críquete para melhorar a performance dos times e estudar oportunidades de negócios, o mercado em si, e a economia do críquete através de ferramentas de análise poderosas alimentadas por softwares de computação numérica como o NumPy é um grande negócio. As análises de críquete fornecem informações interessantes sobre o jogo e informações preditivas sobre os resultados do jogo. Hoje, existem conjuntos ricos e quase infinitos de estatísticas e informações sobre jogos de críquete, por exemplo, [ESPN cricinfo](https://stats.espncricinfo.com/ci/engine/stats/index.html) e [cricsheet](https://cricsheet.org). Estes e muitos outros bancos de dados de críquete foram usados para [análise de críquete](https://www.researchgate.net/publication/336886516_Data_visualization_and_toss_related_analysis_of_IPL_teams_and_batsmen_performances) usando os mais modernos algoritmos de aprendizagem de máquina e modelagem preditiva. Plataformas de mídia e entretenimento, juntamente com entidades de esporte profissionais associadas ao jogo usam tecnologia e análise para determinar métricas chave para melhorar as chances de vitória: @@ -49,7 +49,7 @@ Hoje, existem conjuntos ricos e quase infinitos de estatísticas e informações Muito da tomada de decisões em críquete se baseia em questões como "com que frequência um batsman joga um certo tipo de lance se a recepção da bola for de um determinado tipo", ou "como um boleador muda a direção e alcance da sua jogada se o batsman responder de uma certa maneira". Esse tipo de consulta de análise preditiva requer a disponibilidade de conjuntos de dados altamente granulares e a capacidade de sintetizar dados e criar modelos generativos que sejam altamente precisos. -## Papel da NumPy na Análise de Críquete +## O papel do NumPy na análise de críquete A análise de dados esportivos é um campo próspero. Muitos pesquisadores e empresas [usam NumPy](https://adtmag.com/blogs/dev-watch/2017/07/sports-analytics.aspx) e outros pacotes PyData como Scikit-learn, SciPy, Matplotlib, e Jupyter, além de usar as últimas técnicas de aprendizagem de máquina e IA. O NumPy foi usado para vários tipos de análise esportiva relacionada a críquete, como: diff --git a/content/pt/citing-numpy.md b/content/pt/citing-numpy.md index f6f9567450..f947689548 100644 --- a/content/pt/citing-numpy.md +++ b/content/pt/citing-numpy.md @@ -5,7 +5,7 @@ sidebar: false Se a NumPy é importante na sua pesquisa, e você gostaria de dar reconhecimento ao projeto na sua publicação acadêmica, sugerimos citar os seguintes documentos: -* Harris, C.R., Millman, K.J., van der Walt, S.J. et al. _Array programming with NumPy_. Nature 585, 357–362 (2020). DOI: [10.1038/s41586-020-2649-2](https://doi.org/10.1038/s41586-020-2649-2). ([Link da editora](https://www.nature.com/articles/s41586-020-2649-2)). +* Harris, C.R., Millman, K.J., van der Walt, S.J. Harris, C.R., Millman, K.J., van der Walt, S.J. et al. _Array programming with NumPy_. Nature 585, 357–362 (2020). DOI: [10.1038/s41586-020-2649-2](https://doi.org/10.1038/s41586-020-2649-2). ([Link da editora](https://www.nature.com/articles/s41586-020-2649-2)). _Em formato BibTeX:_ diff --git a/content/pt/code-of-conduct.md b/content/pt/code-of-conduct.md index 13ce6cb018..fe68237a92 100644 --- a/content/pt/code-of-conduct.md +++ b/content/pt/code-of-conduct.md @@ -43,7 +43,7 @@ Embora sejamos receptivos às pessoas fluentes em todas as línguas, o desenvolv Padrões de comportamento na comunidade NumPy estão detalhados no Código de Conduta acima. Os participantes da nossa comunidade devem se comportar de acordo com esses padrões em todas as suas interações e ajudar os outros a fazê-lo também (veja a próxima seção). -### Diretrizes de Resposta a Incidentes +### Diretrizes de resposta a incidentes Sabemos que é mais comum do que o desejado que a comunicação na Internet comece ou se transforme em abusos óbvios e flagrantes. Reconhecemos também que, por vezes, as pessoas podem ter um dia ruim, ou não conhecer algumas das orientações deste Código de Conduta. Tenha isto em mente ao decidir como responder a uma violação deste Código. @@ -59,7 +59,7 @@ Atualmente, o comitê é formato por: Se o seu relatório envolve algum membro da comissão, ou se você sentir que existe um conflito de interesses em tratá-lo, então os membros abster-se-ão de considerar o seu relatório. Como alternativa, se por qualquer razão você se sentir desconfortável em fazer um relatório à comissão, então você também pode entrar em contato com a equipe sênior da NumFOCUS em [conduct@numfocus.org](https://numfocus.org/code-of-conduct#persons-responsible). -### Resolução de Incidentes & Execução do Código de Conduta +### Resolução de Incidentes & Aplicação do Código de Conduta _Esta seção resume os pontos mais importantes, mais detalhes podem ser encontrados em_ [Código de Conduta do NumPy - Como dar seguimento a um relatório](/report-handling-manual). @@ -80,4 +80,4 @@ O comitê responderá a qualquer relatório o mais rapidamente possível e, no m Somos gratos aos grupos responsáveis pelos documentos abaixo, dos quais retiramos conteúdo e inspiração: -- [The SciPy Code of Conduct](https://docs.scipy.org/doc/scipy/reference/dev/conduct/code_of_conduct.html) +- [The SciPy Code of Conduct](https://docs.scipy.org/doc/scipy/dev/conduct/code_of_conduct.html) diff --git a/content/pt/community.md b/content/pt/community.md index c6b3115d76..7992ff2fd6 100644 --- a/content/pt/community.md +++ b/content/pt/community.md @@ -3,7 +3,7 @@ title: Comunidade sidebar: false --- -NumPy é um projeto de código aberto impulsionado pela comunidade desenvolvido por um grupo muito diversificado de [contribuidores](/pt/teams/). A liderança da NumPy assumiu um forte compromisso de criar uma comunidade aberta, inclusiva e positiva. Por favor, leia [o Código de Conduta NumPy](/pt/code-of-conduct) para orientações sobre como interagir com os outros de uma forma que faça a comunidade prosperar. +NumPy é um projeto de código aberto impulsionado pela comunidade desenvolvido por um grupo muito diversificado de [contribuidores](/pt/teams/). A liderança do NumPy assumiu um forte compromisso de criar uma comunidade aberta, inclusiva e positiva. Por favor, leia [o Código de Conduta NumPy](/pt/code-of-conduct) para orientações sobre como interagir com os outros de uma forma que faça a comunidade prosperar. Oferecemos vários canais de comunicação para aprender, compartilhar seu conhecimento e se conectar com outros dentro da comunidade NumPy. @@ -63,3 +63,4 @@ Para prosperar, o projeto NumPy precisa de sua experiência e entusiasmo. Não Se você está interessado em se tornar um contribuidor do NumPy (oba!) recomendamos que você confira nossa página sobre [Contribuições](/pt/contribute). +Além disso, sinta-se à vontade para passar por aqui e dizer oi em uma de nossas reuniões da comunidade. Para acompanhá-las, confira nosso calendário de eventos [aqui](https://scientific-python.org/calendars/). diff --git a/content/pt/config.yaml b/content/pt/config.yaml index df96976a9e..a0b70147f7 100644 --- a/content/pt/config.yaml +++ b/content/pt/config.yaml @@ -1,140 +1,160 @@ -# FOR TRANSLATORS: this is a YAML file, with lines being of the form: -# -# key: value -# -# Please translate the `value`s, not the `key`s! -# Comments (starting with `#`) and `url:` or `link:` lines also do not -# need to be translated. `title:` and `text:` lines do need translation. -# languageName: Português params: description: Por que NumPy? Arrays n-dimensionais poderosas. Ferramentas para computação numérica. Interoperabilidade. Alto desempenho. Código aberto. navbarlogo: image: logo.svg link: /pt/ - hero: + #Main hero title title: NumPy + #Hero subtitle (optional) subtitle: A biblioteca fundamental para computação científica com Python - buttontext: Comece aqui - buttonlink: "/pt/install" + #Button text + buttontext: "Última versão: NumPy 1.25. Veja todas as versões" + #Where the main hero button links to + buttonlink: "/pt/news/#releases" + #Hero image (from static/images/___) image: logo.svg - - news: - title: NumPy v1.20.0 - content: Suporte a anotações de tipos - Melhorias no desempenho através de SIMD multi-plataformas - url: /pt/news - shell: - title: placeholder # do not translate - + title: placeholder intro: - - title: Try NumPy - text: Use the interactive shell to try NumPy in the browser - - docslink: Don't forget to check out the docs. - + - + title: Experimentar o NumPy + text: Use o shell interativo para testar o NumPy no navegador + docslink: Não se esqueça de conferir a documentação. casestudies: title: ESTUDOS DE CASO features: - - title: A Primeira Imagem de um Buraco Negro - text: Como o NumPy, junto com outras bibliotecas como SciPy e Matplotlib que dependem do NumPy, permitiram ao Event Horizon Telescope gerar a primeira imagem de um buraco negro da história. - img: /images/content_images/case_studies/blackhole.png - alttext: Primeira imagem de um buraco negro. É um círculo laranja em um fundo preto. - url: /pt/case-studies/blackhole-image - - title: Descoberta de Ondas Gravitacionais - text: Em 1916, Albert Einstein previu ondas gravitacionais; 100 anos depois, sua existência foi confirmada pelos cientistas do LIGO usando NumPy. - img: /images/content_images/case_studies/gravitional.png - alttext: Duas esferas orbitando a si mesmas. Elas deslocam a gravidade em seu entorno. - url: /pt/case-studies/gw-discov - - title: Análise Esportiva - text: A análise de críquete está mudando o jogo ao melhorar o desempenho de jogadores e times através de modelagem estatística e análise preditiva. O NumPy possibilita muitas dessas análises. - img: /images/content_images/case_studies/sports.jpg - alttext: Bola de críquete em um campo verde - url: /pt/case-studies/cricket-analytics - - title: Estimação de poses usando deep learning - text: DeepLabCut usa o NumPy para acelerar estudos científicos que envolvem comportamento animal para entender melhor o controle motor em várias espécies e escalas de tempo. - img: /images/content_images/case_studies/deeplabcut.png - alttext: Análise de pose de um guepardo - url: /pt/case-studies/deeplabcut-dnn - + - + title: A Primeira Imagem de um Buraco Negro + text: Como o NumPy, junto com outras bibliotecas como SciPy e Matplotlib que dependem do NumPy, permitiram ao Event Horizon Telescope gerar a primeira imagem de um buraco negro da história. + img: /images/content_images/case_studies/blackhole.png + alttext: Primeira imagem de um buraco negro. É um círculo laranja em um fundo preto. + url: /pt/case-studies/blackhole-image + - + title: Descoberta de Ondas Gravitacionais + text: Em 1916, Albert Einstein previu ondas gravitacionais; 100 anos depois, sua existência foi confirmada pelos cientistas do LIGO usando NumPy. + img: /images/content_images/case_studies/gravitional.png + alttext: Duas esferas orbitando a si mesmas. Elas deslocam a gravidade em seu entorno. + url: /pt/case-studies/gw-discov + - + title: Análise Esportiva + text: A análise de críquete está mudando o jogo ao melhorar o desempenho de jogadores e times através de modelagem estatística e análise preditiva. O NumPy possibilita muitas dessas análises. + img: /images/content_images/case_studies/sports.jpg + alttext: Bola de críquete em um campo verde + url: /pt/case-studies/cricket-analytics + - + title: Estimação de poses usando deep learning + text: DeepLabCut usa o NumPy para acelerar estudos científicos que envolvem comportamento animal para entender melhor o controle motor em várias espécies e escalas de tempo. + img: /images/content_images/case_studies/deeplabcut.png + alttext: Análise de pose de um guepardo + url: /pt/case-studies/deeplabcut-dnn keyfeatures: features: - - title: Arrays n-dimensionais poderosas - text: Rápidos e versáteis, os conceitos de vetorização, indexação e broadcasting do NumPy são, na prática, o padrão em computação com arrays. - - title: Ferramentas de computação numérica - text: O NumPy oferece um conjunto completo de funções matemáticas, geradores de números aleatórios, rotinas de álgebra linear, transformadas de Fourier, e mais. - - title: Interoperabilidade - text: O NumPy suporta um grande número de plataformas de hardware e computação, e pode ser combinada com bibliotecas de computação com arrays esparsas, distribuidas ou em GPUs. - - title: Alto desempenho - text: O núcleo do NumPy é feito de código otimizado em C. Experimente a flexibilidade do Python com a velocidade de código compilado. - - title: Fácil de usar - text: A sintaxe de alto nível do NumPy torna-o acessível e produtivo para programadores de qualquer nível de experiência e formação. - - title: Código aberto - text: Distribuido com uma [licença BSD](https://github.com/numpy/numpy/blob/main/LICENSE.txt) liberal, o NumPy é desenvolvido e mantido [publicamente no GitHub](https://github.com/numpy/numpy) por uma [comunidade](/pt/community) vibrante, responsiva, e diversa. - + - + title: Arrays n-dimensionais poderosas + text: Rápidos e versáteis, os conceitos de vetorização, indexação e broadcasting do NumPy são, na prática, o padrão em computação com arrays. + - + title: Ferramentas de computação numérica + text: O NumPy oferece um conjunto completo de funções matemáticas, geradores de números aleatórios, rotinas de álgebra linear, transformadas de Fourier, e mais. + - + title: Interoperabilidade + text: O NumPy suporta um grande número de plataformas de hardware e computação, e pode ser combinada com bibliotecas de computação com arrays esparsas, distribuidas ou em GPUs. + - + title: Alto desempenho + text: O núcleo do NumPy é feito de código otimizado em C. Experimente a flexibilidade do Python com a velocidade de código compilado. + - + title: Fácil de usar + text: A sintaxe de alto nível do NumPy torna-o acessível e produtivo para programadores de qualquer nível de experiência e formação. + - + title: Código aberto + text: Distribuido com uma [licença BSD](https://github.com/numpy/numpy/blob/main/LICENSE.txt) liberal, o NumPy é desenvolvido e mantido [publicamente no GitHub](https://github.com/numpy/numpy) por uma [comunidade](/pt/community) vibrante, responsiva, e diversa. tabs: title: ECOSSISTEMA section5: false - navbar: - - title: Instalação + - + title: Instalação url: /pt/install - - title: Documentação + - + title: Documentação url: https://numpy.org/doc/stable - - title: Aprenda + - + title: Aprenda url: /pt/learn - - title: Comunidade + - + title: Comunidade url: /pt/community - - title: Sobre + - + title: Sobre url: /pt/about - - title: Contribuir - url: /pt/contribute - + - + title: Notícias + url: /pt/news + - + title: Contribuir + url: /contribute footer: logo: logo.svg socialmediatitle: "" socialmedia: - - link: https://github.com/numpy/numpy - icon: github - - link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng - icon: youtube - - link: https://twitter.com/numpy_team - icon: twitter + - + link: https://github.com/numpy/numpy + icon: github + - + link: https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng + icon: youtube + - + link: https://twitter.com/numpy_team + icon: twitter quicklinks: column1: title: "" links: - - text: Instalação + - + text: Instalação link: /pt/install - - text: Documentação + - + text: Documentação link: https://numpy.org/doc/stable - - text: Aprenda + - + text: Aprenda link: /pt/learn - - text: Citando o Numpy + - + text: Citando o Numpy link: /pt/citing-numpy - - text: Roadmap + - + text: Roadmap link: https://numpy.org/neps/roadmap.html column2: links: - - text: Sobre + - + text: Sobre link: /pt/about - - text: Comunidade + - + text: Comunidade link: /pt/community - - text: User surveys + - + text: Pesquisas de usuário link: /pt/user-surveys - - text: Contribuir + - + text: Contribuir link: /pt/contribute - - text: Código de Conduta + - + text: Código de Conduta link: /pt/code-of-conduct column3: links: - - text: Ajuda + - + text: Ajuda link: /pt/gethelp - - text: Termos de uso (EN) + - + text: Termos de uso (EN) link: /pt/terms - - text: Privacidade + - + text: Privacidade link: /pt/privacy - - text: Kit de imprensa + - + text: Kit de imprensa link: /pt/press-kit diff --git a/content/pt/contribute.md b/content/pt/contribute.md index 5bf71db883..65b82636b8 100644 --- a/content/pt/contribute.md +++ b/content/pt/contribute.md @@ -5,30 +5,18 @@ sidebar: false O projeto NumPy precisa de sua experiência e entusiasmo! Suas opções de não são limitadas à programação -- além de -- [Escrever código]({{< relref "contribute.md#writing-code" >}}) - -você pode: - -- [Revisar pull requests]({{< relref "contribute.md#reviewing-pull-requests" >}}) -- [Desenvolver tutoriais, apresentações e outros materiais educacionais]({{< relref "contribute.md#developing-educational-materials" >}}) -- [Fazer triagem em issues]({{< relref "contribute.md#issue-triaging" >}}) -- [Trabalhar no nosso site]({{< relref "contribute.md#website-development" >}}) -- [Contribuir com design gráfico]({{< relref "contribute.md#graphic-design" >}}) -- [Traduzir conteúdo do site]({{< relref "contribute.md#translating-website-content" >}}) -- [Trabalhar coordenando a comunidade]({{< relref "contribute.md#community-coordination-and-outreach" >}}) -- [Escrever propostas e ajudar com outras atividades para financiamento]({{< relref "contribute.md#fundraising" >}}) - Se você não sabe por onde começar ou como suas habilidades podem ajudar, _fale conosco!_ Você pode perguntar na nossa [lista de emails](https://mail.python.org/mailman/listinfo/numpy-discussion) ou [GitHub](http://github.com/numpy/numpy) (abrindo uma [issue](https://github.com/numpy/numpy/issues) ou comentando em uma issue relevante). Estes são os nossos canais de comunicação preferidos (projetos de código aberto são abertos por natureza!). No entanto, se você preferir discutir em privado, entre em contato com os coordenadores da comunidade em ou no [Slack](https://numpy-team.slack.com) (envie um e-mail para para obter um convite antes de entrar). -Nós também temos uma _reunião aberta da comunidade_ a cada duas semanas. Os detalhes são anunciados na nossa [lista de emails](https://mail.python.org/mailman/listinfo/numpy-discussion). Convidamos você a participar desta chamada se quiser. Se você nunca contribuiu para projetos de código aberto, recomendamos fortemente que você leita [esse guia](https://opensource.guide/how-to-contribute/). +Nós também temos uma _reunião aberta da comunidade_ a cada duas semanas. Os detalhes são anunciados na nossa [lista de emails](https://mail.python.org/mailman/listinfo/numpy-discussion). Convidamos você a participar. Se você nunca contribuiu para projetos de código aberto, recomendamos fortemente que você leita [esse guia](https://opensource.guide/how-to-contribute/). Nossa comunidade deseja tratar todos da mesma forma e valorizar todas as contribuições. Temos um [Código de Conduta](/pt/code-of-conduct) para promover um ambiente aberto e acolhedor. ### Escrevendo código -Para pessoas programadoras, este [guia](https://numpy.org/devdocs/dev/index.html#development-process-summary) explica como contribuir para a base de código. +Para pessoas programadoras, este [guia](https://numpy.org/devdocs/dev/index.html#development-process-summary) explica como contribuir para a base de código.
Confira também nosso [canal do YouTube](https://www.youtube.com/playlist?list=PLCK6zCrcN3GXBUUzDr9L4__LnXZVtaIzS) para obter informações adicionais. + ### Revisar pull requests O projeto tem mais de 250 pull requests abertos -- o que significa que muitas potenciais melhorias e muitos contribuidores de código aberto estão aguardando feedback. Se você é uma pessoa programadora que conhece o NumPy, você pode ajudar, mesmo que não tenha familiaridade com o código. Você pode: @@ -76,4 +64,3 @@ Através do contato com a comunidade podemos compartilhar nosso trabalho para ma ### Financiamento O NumPy foi um projeto totalmente voluntário por muitos anos, mas conforme sua importância cresceu, tornou-se clara a necessidade de apoio financeiro para garantir estabilidade e crescimento. [Esta palestra na SciPy'19](https://www.youtube.com/watch?v=dBTJD_FDVjU) explica quanta diferença esse suporte fez. Como todo o mundo das organizações sem fins lucrativos, nós estamos constantemente procurando bolsas, patrocinadores e outros tipos de apoio. Nós temos uma série de ideias e é claro que nós damos as boas-vindas a mais. Habilidade de buscar financiamento é uma habilidade rara aqui -- apreciaríamos a sua ajuda. - diff --git a/content/pt/install.md b/content/pt/install.md index 0701460ee9..ff2f33845a 100644 --- a/content/pt/install.md +++ b/content/pt/install.md @@ -30,6 +30,7 @@ pip install numpy ``` Também ao usar o pip, é uma boa prática usar um ambiente virtual - veja em [Instalações Reprodutíveis](#reproducible-installs) abaixo por quê, e [esse guia](https://dev.to/bowmanjd/python-tools-for-managing-virtual-environments-3bko#howto) para detalhes sobre o uso de ambientes virtuais. + # Guia de instalação do Python e do NumPy @@ -65,7 +66,7 @@ Para usuários que preferem uma solução baseada em pip/PyPI, por preferência ## Gerenciamento de pacotes Python -Gerenciar pacotes é um problema desafiador e, como resultado, há muitas ferramentas. Para o desenvolvimento web e de propósito geral em Python, há uma [série de ferramentas](https://packaging.python.org/guides/tool-recommendations/) complementares com pip. Para computação de alto desempenho (HPC), vale a pena considerar o [Spack](https://github.com/spack/spack). Para a maioria dos usuários NumPy, porém, o [conda](https://conda.io/en/latest/) e o [pip](https://pip.pypa.io/en/stable/) são as duas ferramentas mais populares. +Gerenciar pacotes é um problema desafiador e, como resultado, há muitas ferramentas. Para o desenvolvimento web e de propósito geral em Python, há uma [série de ferramentas](https://packaging.python.org/guides/tool-recommendations/) complementares com pip. Para computação de alto desempenho (HPC), vale a pena considerar o [Spack](https://github.com/spack/spack). Para computação de alto desempenho (HPC), vale a pena considerar o [Spack](https://github.com/spack/spack). Para a maioria dos usuários NumPy, porém, o [conda](https://conda.io/en/latest/) e o [pip](https://pip.pypa.io/en/stable/) são as duas ferramentas mais populares. ### Pip & conda diff --git a/content/pt/learn.md b/content/pt/learn.md index 9738385ffd..e20462b9c1 100644 --- a/content/pt/learn.md +++ b/content/pt/learn.md @@ -5,9 +5,10 @@ sidebar: false Para a **documentação oficial do NumPy** visite [numpy.org/doc/stable](https://numpy.org/doc/stable). -Abaixo está uma coleção de recursos externos selecionados. Para contribuir, veja o [fim desta página](#add-to-this-list). *** +Abaixo está uma coleção de recursos educacionais, tanto para autoaprendizado como para ensinar outras pessoas, desenvolvidos pelos colaboradores do NumPy e selecionados pela comunidade. + ## Iniciantes Há uma tonelada de informações sobre o NumPy lá fora. Se você está começando, recomendamos fortemente estes: @@ -15,13 +16,12 @@ Há uma tonelada de informações sobre o NumPy lá fora. Se você está começa **Tutoriais** * [NumPy Quickstart Tutorial (Tutorial de Início Rápido)](https://numpy.org/devdocs/user/quickstart.html) +* [NumPy Tutorials](https://numpy.org/numpy-tutorials) Uma coleção de tutoriais e materiais educacionais no formato de Notebooks Jupyter desenvolvidos e mantidos pelo time de documentação do NumPy. Se você tiver interesse em adicionar o seu próprio conteúdo, verifique o repositório [numpy-tutorials no GitHub](https://github.com/numpy/numpy-tutorials). +* [NumPy Illustrated: The Visual Guide to NumPy *por Lev Maximov*](https://betterprogramming.pub/3b1d4976de1d?sk=57b908a77aa44075a49293fa1631dd9b) * [SciPy Lectures](https://scipy-lectures.org/) Além de incluir conteúdo sobre a NumPy, estas aulas oferecem uma introdução mais ampla ao ecossistema científico do Python. * [NumPy: the absolute basics for beginners ("o básico absoluto para inciantes")](https://numpy.org/devdocs/user/absolute_beginners.html) -* [Machine Learning Plus - Introduction to ndarray](https://www.machinelearningplus.com/python/numpy-tutorial-part1-array-python-examples/) -* [Edureka - Learn NumPy Arrays with Examples ](https://www.edureka.co/blog/python-numpy-tutorial/) -* [Dataquest - NumPy Tutorial: Data Analysis with Python](https://www.dataquest.io/blog/numpy-tutorial-python/) * [NumPy tutorial *por Nicolas Rougier*](https://github.com/rougier/numpy-tutorial) -* [Stanford CS231 *by Justin Johnson*](http://cs231n.github.io/python-numpy-tutorial/) +* [Stanford CS231 *por Justin Johnson*](http://cs231n.github.io/python-numpy-tutorial/) * [NumPy User Guide (Guia de Usuário NumPy)](https://numpy.org/devdocs) **Livros** @@ -47,9 +47,7 @@ Experimente esses recursos avançados para uma melhor compreensão dos conceitos * [100 NumPy Exercises](http://www.labri.fr/perso/nrougier/teaching/numpy.100/index.html) *por Nicolas P. Rougier* * [An Introduction to NumPy and Scipy](https://engineering.ucsb.edu/~shell/che210d/numpy.pdf) *por M. Scott Shell* * [Numpy Medkits](http://mentat.za.net/numpy/numpy_advanced_slides/) *por Stéfan van der Walt* -* [NumPy in Python (Advanced)](https://www.geeksforgeeks.org/numpy-python-set-2-advanced/) -* [Advanced Indexing](https://www.tutorialspoint.com/numpy/numpy_advanced_indexing.htm) -* [Machine Learning and Data Analytics with NumPy](https://www.machinelearningplus.com/python/numpy-tutorial-python-part2/) +* [NumPy Tutorials](https://numpy.org/numpy-tutorials) Uma coleção de tutoriais e materiais educacionais no formato de Notebooks Jupyter desenvolvidos e mantidos pelo time de documentação do NumPy. Se você tiver interesse em adicionar o seu próprio conteúdo, verifique o repositório [numpy-tutorials no GitHub](https://github.com/numpy/numpy-tutorials). **Livros** @@ -60,7 +58,6 @@ Experimente esses recursos avançados para uma melhor compreensão dos conceitos **Vídeos** * [Advanced NumPy - broadcasting rules, strides, and advanced indexing](https://www.youtube.com/watch?v=cYugp9IN1-Q) *por Juan Nunuz-Iglesias* -* [Advanced Indexing Operations in NumPy Arrays](https://www.youtube.com/watch?v=2WTDrSkQBng) *por Amuls Academy* *** @@ -77,8 +74,3 @@ Experimente esses recursos avançados para uma melhor compreensão dos conceitos ## Citando a NumPy Se a NumPy é importante na sua pesquisa, e você gostaria de dar reconhecimento ao projeto na sua publicação acadêmica, por favor veja [estas informações sobre citações](/pt/citing-numpy). - -## Contribua para esta lista - - -Para adicionar a essa coleção, envie uma recomendação [através de um pull request](https://github.com/numpy/numpy.org/blob/main/content/en/learn.md). Diga por que sua recomendação merece ser mencionada nesta página e também qual o público que mais se beneficiaria. diff --git a/content/pt/news.md b/content/pt/news.md index dd7a55e3c8..8931ac69c8 100644 --- a/content/pt/news.md +++ b/content/pt/news.md @@ -1,11 +1,119 @@ --- title: Notícias sidebar: false +newsHeader: "Lançado o NumPy 1.25.0" +date: 2023-06-17 --- +### Lançado o NumPy 1.25.0 + +_17 de junho, 2023_ -- [NumPy 1.25.0](https://numpy.org/doc/stable/release/1.25.0-notes.html) está disponível agora. Os destaques desta versão são: + +* Suporte para MUSL, agora existem rodas MUSL. +* Suporte para o compilador Fujitsu C/C++. +* Arrays de objetos agora são suportados em einsum. +* Suporte para a multiplicação da matriz inplace (`@=`). + +A versão 1.25.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade e execução, e na documentação. Também tem havido trabalho preparatório para a futura versão 2.0.0, resultando em um grande número de depreciações novas e expiradas. + +Um total de 148 pessoas contribuíram para este lançamento e 530 pull requests foram incorporadas. + +As versões do Python suportadas por esta versão são 3.9-3.11. + +### Promovendo uma cultura inclusiva: Chamada de participação + +_10 de maio de 2023_ -- Promovendo uma Cultura Inclusiva: Chamada de Participação + +Como podemos ser melhores quando se trata de diversidade e de inclusão? Leia o relatório e descubra como colaborar [aqui](https://contributor-experience.org/docs/posts/dei-report/). + +### Transição de liderança do time de documentação do NumPy + +_6 de janeiro de 2023_ –- Mukulika Pahari e Ross Barnowski são nomeados como lideres do time de documentação do NumPy, substituindo Melissa Mendonça. Agradecemos a Melissa por todas suas contribuições para a documentação oficial do NumPy e materiais educacionais, e Mukulika e Ross por aceitarem o desafio. + +### NumPy versão 1.24.0 + +_18 de dezembro de 2022_ -- [NumPy 1.24.0](https://numpy.org/doc/stable/release/1.24.0-notes.html) está agora disponível. Os destaques desta versão são: + +* Novas palavras-chave "dtype" e "casting" para funções que atuam com stacking. +* Novas funcionalidades e correções do F2PY. +* Muitas depreciações novas, confira. +* Muitas depreciações expiradas. + +A versão 1.24.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade e execução, e na documentação. Há um grande número de depreciações novas e expiradas devido a mudanças na promoção de dtypes e limpezas no código. É o trabalho de 177 contribuidores espalhados em 444 pull requests. As versões suportadas do Python são 3.8-3.11. + +### NumPy versão 1.23.0 + +_22 de junho de 2022_ -- O [NumPy 1.23.0](https://numpy.org/doc/stable/release/1.23.0-notes.html) está disponível. Os destaques desta versão são: + +* Implementação de `loadtxt` em C, melhorando muito seu desempenho. +* Exposição do DLPack ao nível de Python para facilitar a troca de dados. +* Mudanças na promoção e comparações de dtypes estruturados. +* Melhorias no f2py. + +A versão 1.23.0 do NumPy continua o trabalho de melhorias no suporte e promoção de dtypes, na velocidade de execução, na documentação e na expiração de depreciações. É o trabalho de 151 contribuidores espalhados em 494 pull requests. As versões do Python suportadas por esta versão 3.8-3.10. Python 3.11 será suportado quando chegar na etapa rc. + +### Pesquisa NumFOCUS DEI: chamada para participação + +_13 de abril de 2022_ -- O NumPy está trabalhando com a [NumFOCUS](http://numfocus.org/) em um [projeto de pesquisa](https://numfocus.org/diversity-inclusion-disc/a-pivotal-time-in-numfocuss-project-aimed-dei-efforts?eType=EmailBlastContent&eId=f41a86c3-60d4-4cf9-86cf-58eb49dc968c) financiado pela [Gordon & Betty Moore Foundation](https://www.moore.org/) para entender as barreiras à participação que contribuidores, especialmente aqueles de grupos historicamente subrepresentados, enfrentam na comunidade open source. A equipe da pesquisa gostaria de falar com novos colaboradores, desenvolvedores e mantenedores, e aqueles que contribuíram no passado sobre suas experiências contribuindo para o NumPy. + +**Quer compartilhar suas experiências?** + +Por favor, preencha este breve formulário: ["Participant Interest form"](https://numfocus.typeform.com/to/WBWVJSqe) que contém informações adicionais sobre os objetivos da pesquisa, privacidade e considerações de confidencialidade. Sua participação será valiosa para o crescimento e sustentabilidade de comunidades de software open source diversas e inclusivas. Os participantes aceitos participarão de uma entrevista de 30 minutos com um membro da equipe de pesquisa. + +### NumPy versão 1.22.0 + +_31 de dezembro de 2021_ -- [NumPy 1.22.0](https://numpy.org/doc/stable/release/1.22.0-notes.html) está agora disponível. Os destaques desta versão são: + +* Anotações de tipo do namespace principal estão praticamente completas. Ainda há trabalho a se fazer no upstream, mas a maior parte do trabalho está feita. Esta é provavelmente a melhoria mais visível para os usuários nesta versão. +* Uma versão preliminar da proposta do [array API Standard](https://data-apis.org/array-api/latest/) está disponível (veja [NEP 47](https://numpy.org/neps/nep-0047-array-api-standard.html)). Este é um passo na criação de uma coleção padrão de funções que podem ser compartilhadas entre bibliotecas como CuPy e JAX. +* NumPy agora tem um backend de DLPack. DLPack fornece um formato comum de compartilhamento para dados de arrays (tensores). +* Novos métodos para `quantile`, `percentile`, e funções relacionadas. Os novos métodos fornecem um conjunto completo dos métodos comumente encontrados na literatura. +* As funções universais foram refatoradas para implementar a maior parte da [NEP 43](https://numpy.org/neps/nep-0043-extensible-ufuncs.html). Isso também desbloqueia a capacidade de experimentar a futura API DType. +* Um novo alocador de memória configurável para uso pelos projetos downstream. + +NumPy 1.22.0 é uma versão importante com o trabalho de 153 contribuidores espalhados por mais de 609 pull requests. As versões do Python suportadas por esta versão são 3.8-3.10. + +### Promovendo uma cultura inclusiva no ecossistema científico de Python + +_31 de agosto de 2021_ -- Estamos felizes em anunciar que a Chan Zuckerberg Initiative [vai financiar](https://chanzuckerberg.com/newsroom/czi-awards-16-million-for-foundational-open-source-software-tools-essential-to-biomedicine/) um projeto para apoiar a integração, inclusão, e retenção de pessoas de grupos marginalizados historicamente em projetos científicos em Python, e para estruturalmente melhorar a dinâmica das comunidades para o NumPy, SciPy, Matplotlib, e Pandas. + +Como parte do programa [CZI's Essential Open Source Software for Science](https://chanzuckerberg.com/eoss/), esse [financiamento adicional para diversidade e inclusão](https://cziscience.medium.com/advancing-diversity-and-inclusion-in-scientific-open-source-eaabe6a5488b) vai apoiar a criação de posições de Contributor Experience Lead para identificar, documentar e implementar práticas para fomentar comunidades open source inclusivas. Este projeto será liderado por Melissa Mendonça (NumPy), com apoio adicional de Ralf Gommers (NumPy, SciPy), Hannah Aizenman e Thomas Caswell (Matplotlib), Matt Haberland (SciPy), e Joris Van den Bossche (Pandas). + +Esse é um projeto ambicioso que visa descobrir e implementar atividades que devem estruturalmente melhorar a dinâmica da comunidade de nossos projetos. Ao criar essas novas funções entre projetos, esperamos introduzir um novo modelo de colaboração às comunidades de Python científico, permitir que o trabalho de construção da comunidade no ecossistema seja feito de forma mais eficiente e com maiores resultados. Também esperamos desenvolver uma imagem mais clara do que funciona e o que não funciona em nossos projetos para engajar e reter novos colaboradores, especialmente de grupos historicamente sub-representados. Finalmente, planejamos produzir relatórios detalhados sobre as ações executadas, explicando como eles afetaram nossos projetos em termos de representação e interação com nossas comunidades. + +O projeto de dois anos deverá começar em novembro de 2021 e estamos animados para ver os resultados deste trabalho! [Você pode ler a proposta completa aqui](https://figshare.com/articles/online_resource/Advancing_an_inclusive_culture_in_the_scientific_Python_ecosystem/16548063). + +### Pesquisa NumPy 2021 + +_12 de julho de 2021_ -- Nós do NumPy acreditamos no poder da nossa comunidade. 1,236 usuários do NumPy de 75 países participaram da nossa primeira pesquisa ano passado. Os resultados da pesquisa nos ajudaram a compreender muito bem o que devemos fazer pelos 12 meses seguintes. + +Chegou a hora de fazer outra pesquisa e estamos contando com você novamente. Vai levar cerca de 15 minutos do seu tempo. Além de Inglês, o questionário de pesquisa está disponível em 8 idiomas adicionais: Bangla, Francês, Hindi, Japonês, Mandarim, Português, Russo e Espanhol. + +Siga o link para começar: https://berkeley.qualtrics.com/jfe/form/SV_aaOONjgcBXDSl4q. + + +### NumPy versão 1.19.0 + +_23 de junho de 2021_ -- O [NumPy 1.21.0](https://numpy.org/doc/stable/release/1.21.0-notes.html) está disponível. Os destaques desta versão são: + +- a continuação do trabalho com SIMD para suportar mais funções e plataformas, +- trabalho inicial na infraestrutura e conversão de novos dtypes, +- wheels universal2 para Python 3.8 e Python 3.9 no Mac, +- melhorias na documentação, +- melhorias nas anotações de tipos, +- novo bitgenerator `PCG64DXSM` para números aleatórios. + +Esta versão do NumPy é o resultado de 581 pull requests aceitos, a partir das contribuições de 175 pessoas. As versões do Python suportadas por esta versão são 3.7-3.9; o suporte para o Python 3.10 será adicionado após o lançamento do Python 3.10. + + +### Resultados da pesquisa NumPy 2020 + +_22 de junho de 2021_ -- Em 2020, o time de pesquisas NumPy, em parceria com estudantes e professores da Universidade de Michigan e da Universidade de Maryland, realizou a primeira pesquisa oficial sobre a comunidade NumPy. Encontre os resultados da pesquisa aqui: https://numpy.org/user-survey-2020/. + + ### NumPy versão 1.20.0 -_30 de janeiro de 2021_ -- O [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) está disponível. Este é o maior release do NumPy até agora, graças a mais de 180 contribuidores. As duas novidades mais emocionantes são: +_30 de janeiro de 2021_ -- O [NumPy 1.20.0](https://numpy.org/doc/stable/release/1.20.0-notes.html) está disponível. Este é o maior lançamento do NumPy até hoje, graças a mais de 180 colaboradores. As duas novidades mais emocionantes são: - Anotações de tipos para grandes partes do NumPy, e um novo submódulo `numpy.typing` contendo aliases `ArrayLike` e `DtypeLike` que usuários e bibliotecas downstream podem usar quando quiserem adicionar anotações de tipos em seu próprio código. - Otimizações de compilação SIMD multi-plataforma, com suporte para instruções x86 (SSE, AVX), ARM64 (Neon) e PowerPC (VSX). Isso rendeu melhorias significativas de desempenho para muitas funções (exemplos: [sen/cos](https://github.com/numpy/numpy/pull/17587), [einsum](https://github.com/numpy/numpy/pull/18194)). @@ -43,7 +151,7 @@ _24 de junho de 2020_ -- NumPy agora tem um novo logo: NumPy logo -O logo é uma versão moderna do antigo, com um design mais limpo. Obrigado a Isabela Presedo-Floyd por projetar o novo logo, bem como o Travis Vaught pelo o logo antigo que nos serviu bem durante mais de 15 anos. +O logotipo é uma versão moderna do antigo, com um design mais limpo. Obrigado à Isabela Presedo-Floyd por projetar o novo logotipo, bem como ao Travis Vaught pelo o logotipo antigo que nos serviu bem durante mais de 15 anos. ### NumPy versão 1.19.0 @@ -58,32 +166,55 @@ _11 de maio de 2020_ -- O NumPy foi aceito como uma das organizações mentoras ### NumPy versão 1.18.0 -_22 de dezembro de 2019_ -- O NumPy 1.18.0 está disponível. Após as principais mudanças em 1.17.0, esta é uma versão de consolidação. Esta é a última versão menor que irá suportar Python 3.5. Destaques dessa versão incluem a adição de uma infraestrutura básica para permitir o link com as bibliotecas BLAS e LAPACK em 64 bits durante a compilação, e uma nova C-API para `numpy.random`. +_22 de dezembro de 2019_ -- O NumPy 1.18.0 está disponível. Após as principais mudanças em 1.17.0, esta é uma versão de consolidação. É a última versão menor que suportará Python 3.5. Destaques dessa versão incluem a adição de uma infraestrutura básica para permitir o link com as bibliotecas BLAS e LAPACK em 64 bits durante a compilação, e uma nova C-API para `numpy.random`. Por favor, veja as [notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.0) para mais detalhes. ### O NumPy recebe financiamento da Chan Zuckerberg Initiative -_15 de novembro de 2019_ -- Estamos felizes em anunciar que o NumPy e a OpenBLAS, uma das dependências-chave da NumPy, receberam um auxílio conjunto de $195,000 da Chan Zuckerberg Initiative através do seu programa [Essential Open Source Software for Science](https://chanzuckerberg.com/eoss/) que apoia a manutenção, crescimento, desenvolvimento e envolvimento com a comunidade de ferramentas de software open source fundamentais para a ciência. +_15 de novembro de 2019_ -- Estamos felizes em anunciar que o NumPy e a OpenBLAS, uma das dependências-chave do NumPy, receberam um auxílio conjunto de $195,000 da Chan Zuckerberg Initiative através do seu programa [Essential Open Source Software for Science](https://chanzuckerberg.com/eoss/) que apoia a manutenção, crescimento, desenvolvimento e envolvimento da comunidade em ferramentas de código aberto fundamentais para a ciência. -Este auxílio será usado para aumentar os esforços de melhoria da documentação do NumPy, atualização do design do site, e desenvolvimento comunitário para servir melhor a nossa grande e rápida base de usuários, e garantir a sustentabilidade do projeto a longo prazo. Enquanto a equipe OpenBLAS se concentrará em tratar de um conjunto de questões técnicas fundamentais, em particular relacionadas a *thread-safety*, AVX-512, e *thread-local storage* (TLS), bem como melhorias algorítmicas na ReLAPACK (Recursive LAPACK) da qual a OpenBLAS depende. +Este auxílio será usado para aumentar os esforços de melhoria da documentação do NumPy, reformulação do site, desenvolvimento comunitário para melhor servir a nossa grande, e rapidamente crescente, base de usuários, assim como para garantir a sustentabilidade do projeto a longo prazo. Enquanto a equipe OpenBLAS se concentrará em tratar de um conjunto de questões técnicas fundamentais, em particular relacionadas a *thread-safety*, AVX-512, e *thread-local storage* (TLS), bem como melhorias algorítmicas na ReLAPACK (Recursive LAPACK) da qual a OpenBLAS depende. Mais detalhes sobre nossas propostas e resultados esperados podem ser encontrados na [proposta completa de concessão de auxílio](https://figshare.com/articles/Proposal_NumPy_OpenBLAS_for_Chan_Zuckerberg_Initiative_EOSS_2019_round_1/10302167). O trabalho está agendado para começar no dia 1 de dezembro de 2019 e continuar pelos próximos 12 meses. + + ## Lançamentos -Aqui está uma lista de versões do NumPy, com links para notas de lançamento. Todos os lançamentos de bugfix (apenas o `z` muda no formato `x.y.z` do número da versão) não tem novos recursos; versões menores (o `y` aumenta) contém novos recursos. - -- NumPy 1.18.4 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.4)) -- _3 de maio de 2020_. -- NumPy 1.18.3 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.3)) -- _19 de abril de 2020_. -- NumPy 1.18.2 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.2)) -- _17 de março de 2020_. -- NumPy 1.18.1 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.1)) -- _6 de janeiro de 2020_. -- NumPy 1.17.5 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.17.5)) -- _1 de janeiro de 2020_. -- NumPy 1.18.0 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.18.0)) -- _22 de dezembro de 2019_. -- NumPy 1.17.4 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.17.4)) -- _11 de novembro de 2019_. -- NumPy 1.17.0 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.17.0)) -- _26 de julho de 2019_. -- NumPy 1.16.0 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.16.0)) -- _14 de janeiro de 2019_. -- NumPy 1.15.0 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.15.0)) -- _23 de julho de 2018_. -- NumPy 1.14.0 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.14.0)) -- _7 de janeiro de 2018_. +Aqui está uma lista de versões do NumPy, com links para notas de lançamento. Bugfix lança (apenas o `z` muda no `x.y.` número da versão) não tem novos recursos; versões menores (o `y` aumenta) sim. + +- NumPy 1.25.1 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.25.1)) -- _8 de julho de 2023_. +- NumPy 1.24.4 ([notas de lançamento](https://github.com/numpy/numpy/releases/tag/v1.24.4)) -- _26 de junho de 2023_. +- NumPy 1.25.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.25.0)) -- _17 de junho de 2023_. +- NumPy 1.24.3 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.24.3)) -- _22 de abril de 2023_. +- NumPy 1.24.2 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.24.2)) -- _5 de fevereiro de 2023_. +- NumPy 1.24.1 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.24.1)) -- _26 de dezembro de 2022_. +- NumPy 1.24.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.24.0)) -- _18 de dezembro de 2022_. +- NumPy 1.23.5 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.23.5)) -- _19 de novembro de 2022_. +- NumPy 1.23.4 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.23.4)) -- _12 de outubro de 2022_. +- NumPy 1.23.3 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.23.3)) -- _9 de setembro de 2022_. +- NumPy 1.23.2 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.23.2)) -- _14 de agosto de 2022_. +- NumPy 1.23.1 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.23.1)) -- _8 de julho de 2022_. +- NumPy 1.23.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.23.0)) -- _22 de junho de 2022_. +- NumPy 1.22.4 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.22.4)) -- _20 de maio de 2022_. +- NumPy 1.21.6 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.21.6)) -- _12 de abril de 2022_. +- NumPy 1.22.3 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.22.3)) -- _7 de março de 2022_. +- NumPy 1.22.2 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.22.2)) -- _3 de fevereiro de 2022_. +- NumPy 1.22.1 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.22.1)) -- _14 de janeiro de 2022_. +- NumPy 1.22.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.22.0)) -- _31 de dezembro de 2021_. +- NumPy 1.21.5 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.21.5)) -- _19 de dezembro de 2021_. +- NumPy 1.21.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.21.0)) -- _22 de junho de 2021_. +- NumPy 1.20.3 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.20.3)) -- _10 de maio de 2021_. +- NumPy 1.20.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.20.0)) -- _30 de janeiro de 2021_. +- NumPy 1.19.5 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.19.5)) -- _5 de janeiro de 2021_. +- NumPy 1.19.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.19.0)) -- _20 de junho de 2020_. +- NumPy 1.18.4 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.18.4)) -- _3 de maio de 2020_. +- NumPy 1.17.5 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.17.5)) -- _1 de janeiro de 2020_. +- NumPy 1.18.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.18.0)) -- _22 de dezembro de 2019_. +- NumPy 1.17.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.17.0)) -- _26 de julho de 2019_. +- NumPy 1.16.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.16.0)) -- _14 de janeiro de 2019_. +- NumPy 1.15.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.15.0)) -- _23 de julho de 2018_. +- NumPy 1.14.0 ([notas de versão](https://github.com/numpy/numpy/releases/tag/v1.14.0)) -- _7 de janeiro de 2018_. diff --git a/content/pt/privacy.md b/content/pt/privacy.md index be4b6613da..c95f1d5ec1 100644 --- a/content/pt/privacy.md +++ b/content/pt/privacy.md @@ -6,13 +6,3 @@ sidebar: false **numpy.org** é operado por [NumFOCUS, Inc.](https://numfocus.org), o patrocinador fiscal do projeto NumPy. Para a Política de Privacidade deste site, consulte https://numfocus.org/privacy-policy. Se você tiver alguma dúvida sobre a política ou as práticas de coleta de dados do NumFOCUS, uso e divulgação, entre em contato com a equipe do NumFOCUS em privacy@numfocus.org. - - - - - - - - - - diff --git a/content/pt/tabcontents.yaml b/content/pt/tabcontents.yaml index 9f4deb6121..270fac1e56 100644 --- a/content/pt/tabcontents.yaml +++ b/content/pt/tabcontents.yaml @@ -1,189 +1,218 @@ machinelearning: paras: - - para1: NumPy forms the basis of powerful machine learning libraries like [scikit-learn](https://scikit-learn.org) and [SciPy](https://www.scipy.org). As machine learning grows, so does the list of libraries built on NumPy. [TensorFlow’s](https://www.tensorflow.org) deep learning capabilities have broad applications — among them speech and image recognition, text-based applications, time-series analysis, and video detection. [PyTorch](https://pytorch.org), another deep learning library, is popular among researchers in computer vision and natural language processing. [MXNet](https://github.com/apache/incubator-mxnet) is another AI package, providing blueprints and templates for deep learning. - para2: Statistical techniques called [ensemble](https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205) methods such as binning, bagging, stacking, and boosting are among the ML algorithms implemented by tools such as [XGBoost](https://github.com/dmlc/xgboost), [LightGBM](https://lightgbm.readthedocs.io/en/latest/), and [CatBoost](https://catboost.ai) — one of the fastest inference engines. [Yellowbrick](https://www.scikit-yb.org/en/latest/) and [Eli5](https://eli5.readthedocs.io/en/latest/) offer machine learning visualizations. - + - + para1: O NumPy forma a base de bibliotecas de aprendizagem de máquina poderosas como [scikit-learn](https://scikit-learn.org) e [SciPy](https://www.scipy.org). À medida que a disciplina de aprendizagem de máquina cresce, a lista de bibliotecas construidas a partir do NumPy também cresce. As funcionalidades de deep learning do [TensorFlow](https://www.tensorflow.org) tem diversas aplicações — entre elas, reconhecimento de imagem e de fala, aplicações baseadas em texto, análise de séries temporais, e detecção de vídeo. O [PyTorch](https://pytorch.org), outra biblioteca de deep learning, é popular entre pesquisadores em visão computacional e processamento de linguagem natural. O [MXNet](https://github.com/apache/incubator-mxnet) é outro pacote de IA, que fornece templates e protótipos para deep learning. + para2: Técnicas estatísticas chamadas métodos de [ensemble](https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205) tais como binning, bagging, stacking, e boosting estão entre os algoritmos de ML implementados por ferramentas tais como [XGBoost](https://github.com/dmlc/xgboost), [LightGBM](https://lightgbm.readthedocs.io/en/latest/), e [CatBoost](https://catboost.ai) — um dos motores de inferência mais rápidos. [Yellowbrick](https://www.scikit-yb.org/en/latest/) e [Eli5](https://eli5.readthedocs.io/en/latest/) oferecem visualizações para aprendizagem de máquina. arraylibraries: intro: - - text: 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. - + - + text: A API do NumPy é o ponto de partida quando bibliotecas são escritas para explorar hardware inovador, criar tipos de arrays especializados, ou adicionar capacidades além do que o NumPy fornece. headers: - - text: Array Library - - text: Capabilities & Application areas - + - + text: Biblioteca de Arrays + - + text: Recursos e áreas de aplicação libraries: - - title: Dask - text: Distributed arrays and advanced parallelism for analytics, enabling performance at scale. - img: /images/content_images/arlib/dask.png - alttext: Dask - url: https://dask.org/ - - title: CuPy - text: NumPy-compatible array library for GPU-accelerated computing with Python. - img: /images/content_images/arlib/cupy.png - alttext: CuPy - url: https://cupy.chainer.org - - title: JAX - text: "Composable transformations of NumPy programs differentiate: vectorize, just-in-time compilation to GPU/TPU." - img: /images/content_images/arlib/jax_logo_250px.png - alttext: JAX - url: https://github.com/google/jax - - title: Xarray - text: Labeled, indexed multi-dimensional arrays for advanced analytics and visualization - img: /images/content_images/arlib/xarray.png - alttext: xarray - url: https://xarray.pydata.org/en/stable/index.html - - title: Sparse - text: NumPy-compatible sparse array library that integrates with Dask and SciPy's sparse linear algebra. - img: /images/content_images/arlib/sparse.png - alttext: sparse - url: https://sparse.pydata.org/en/latest/ - - title: PyTorch - text: Deep learning framework that accelerates the path from research prototyping to production deployment. - img: /images/content_images/arlib/pytorch-logo-dark.svg - alttext: PyTorch - url: https://pytorch.org/ - - title: TensorFlow - text: An end-to-end platform for machine learning to easily build and deploy ML powered applications. - img: /images/content_images/arlib/tensorflow-logo.svg - alttext: TensorFlow - url: https://www.tensorflow.org - - title: MXNet - text: Deep learning framework suited for flexible research prototyping and production. - img: /images/content_images/arlib/mxnet_logo.png - alttext: MXNet - url: https://mxnet.apache.org/ - - title: Arrow - text: A cross-language development platform for columnar in-memory data and analytics. - img: /images/content_images/arlib/arrow.png - alttext: arrow - url: https://github.com/apache/arrow - - title: xtensor - text: Multi-dimensional arrays with broadcasting and lazy computing for numerical analysis. - img: /images/content_images/arlib/xtensor.png - alttext: xtensor - url: https://github.com/xtensor-stack/xtensor-python - - title: XND - text: Develop libraries for array computing, recreating NumPy's foundational concepts. - img: /images/content_images/arlib/xnd.png - alttext: xnd - url: https://xnd.io - - title: uarray - text: Python backend system that decouples API from implementation; unumpy provides a NumPy API. - img: /images/content_images/arlib/uarray.png - alttext: uarray - url: https://uarray.org/en/latest/ - - title: tensorly - text: Tensor learning, algebra and backends to seamlessly use NumPy, MXNet, PyTorch, TensorFlow or CuPy. - img: /images/content_images/arlib/tensorly.png - alttext: tensorly - url: http://tensorly.org/stable/home.html - + - + title: Dask + text: Arrays distribuídas e paralelismo avançado para análise, permitindo desempenho em escala. + img: /images/content_images/arlib/dask.png + alttext: Dask + url: https://dask.org/ + - + title: CuPy + text: Biblioteca de matriz compatível com NumPy para computação acelerada pela GPU com Python. + img: /images/content_images/arlib/cupy.png + alttext: CuPy + url: https://cupy.chainer.org + - + title: JAX + text: "Composable transformations of NumPy programs differentiate: vectorize, just-in-time compilation to GPU/TPU." + img: /images/content_images/arlib/jax_logo_250px.png + alttext: JAX + url: https://github.com/google/jax + - + title: Xarray + text: Arrays multidimensionais rotuladas e indexadas para análise e visualização avançadas + img: /images/content_images/arlib/xarray.png + alttext: xarray + url: https://xarray.pydata.org/en/stable/index.html + - + title: Sparse + text: Biblioteca de arrays compatíveis com o NumPy que pode ser integrada com Dask e álgebra linear esparsa da SciPy. + img: /images/content_images/arlib/sparse.png + alttext: sparse + url: https://sparse.pydata.org/en/latest/ + - + title: PyTorch + text: Framework de deep learning que acelera o caminho entre prototipação de pesquisa e colocação em produção. + img: /images/content_images/arlib/pytorch-logo-dark.svg + alttext: PyTorch + url: https://pytorch.org/ + - + title: TensorFlow + text: Uma plataforma completa para aprendizagem de máquina que permite construir e colocar em produção aplicações usando ML facilmente. + img: /images/content_images/arlib/tensorflow-logo.svg + alttext: TensorFlow + url: https://www.tensorflow.org + - + title: MXNet + text: Framework de deep learning voltado para flexibilizar prototipação em pesquisa e produção. + img: /images/content_images/arlib/mxnet_logo.png + alttext: MXNet + url: https://mxnet.apache.org/ + - + title: Arrow + text: Uma plataforma de desenvolvimento multi-linguagens para dados e análise para dados armazenados em colunas na memória. + img: /images/content_images/arlib/arrow.png + alttext: arrow + url: https://github.com/apache/arrow + - + title: xtensor + text: Arrays multidimensionais com broadcasting e avaliação preguiçosa (lazy computing) para análise numérica. + img: /images/content_images/arlib/xtensor.png + alttext: xtensor + url: https://github.com/xtensor-stack/xtensor-python + - + title: XND + text: Develop libraries for array computing, recreating NumPy's foundational concepts. + img: /images/content_images/arlib/xnd.png + alttext: xnd + url: https://xnd.io + - + title: uarray + text: Sistema de backend Python que dissocia a API da implementação; unumpy fornece uma API NumPy. + img: /images/content_images/arlib/uarray.png + alttext: uarray + url: https://uarray.org/en/latest/ + - + title: tensorly + text: Ferramentas para aprendizagem com tensores, algebra e backends para usar NumPy, MXNet, PyTorch, TensorFlow ou CuPy sem esforço. + img: /images/content_images/arlib/tensorly.png + alttext: tensorly + url: http://tensorly.org/stable/home.html scientificdomains: intro: - - text: Nearly every scientist working in Python draws on the power of NumPy. - - text: "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." - + - + text: Quase todos os cientistas que trabalham em Python se baseiam na potência do NumPy. + - + text: "NumPy traz o poder computacional de linguagens como C e Fortran para Python, uma linguagem muito mais fácil de aprender e usar. Com esse poder vem a simplicidade: uma solução no NumPy é frequentemente clara e elegante." librariesrow1: - - title: Quantum Computing - alttext: A computer chip. - img: /images/content_images/sc_dom_img/quantum_computing.svg - - title: Statistical Computing - alttext: A line graph with the line moving up. - img: /images/content_images/sc_dom_img/statistical_computing.svg - - title: Signal Processing - alttext: A bar chart with positive and negative values. - img: /images/content_images/sc_dom_img/signal_processing.svg - - title: Image Processing - alttext: An photograph of the mountains. - img: /images/content_images/sc_dom_img/image_processing.svg - - title: Graphs and Networks - alttext: A simple graph. - img: /images/content_images/sc_dom_img/sd6.svg - - title: Astronomy Processes - alttext: A telescope. - img: /images/content_images/sc_dom_img/astronomy_processes.svg - - title: Cognitive Psychology - alttext: A human head with gears. - img: /images/content_images/sc_dom_img/cognitive_psychology.svg - + - + title: Computação quântica + alttext: Um chip de computador. + img: /images/content_images/sc_dom_img/quantum_computing.svg + - + title: Computação estatística + alttext: Um gráfico com uma linha em movimento para cima. + img: /images/content_images/sc_dom_img/statistical_computing.svg + - + title: Processamento de sinais + alttext: Um gráfico de barras com valores positivos e negativos. + img: /images/content_images/sc_dom_img/signal_processing.svg + - + title: Processamento de imagens + alttext: Uma fotografia das montanhas. + img: /images/content_images/sc_dom_img/image_processing.svg + - + title: Gráficos e Redes + alttext: Um grafo simples. + img: /images/content_images/sc_dom_img/sd6.svg + - + title: Processos de Astronomia + alttext: Um telescópio. + img: /images/content_images/sc_dom_img/astronomy_processes.svg + - + title: Psicologia Cognitiva + alttext: Uma cabeça humana com engrenagens. + img: /images/content_images/sc_dom_img/cognitive_psychology.svg librariesrow2: - - title: Bioinformatics - alttext: A strand of DNA. - img: /images/content_images/sc_dom_img/bioinformatics.svg - - title: Bayesian Inference - alttext: A graph with a bell-shaped curve. - img: /images/content_images/sc_dom_img/bayesian_inference.svg - - title: Mathematical Analysis - alttext: Four mathematical symbols. - img: /images/content_images/sc_dom_img/mathematical_analysis.svg - - title: Chemistry - alttext: A test tube. - img: /images/content_images/sc_dom_img/chemistry.svg - - title: Geoscience - alttext: The Earth. - img: /images/content_images/sc_dom_img/geoscience.svg - - title: Geographic Processing - alttext: A map. - img: /images/content_images/sc_dom_img/GIS.svg - - title: Architecture & Engineering - alttext: A microprocessor development board. - img: /images/content_images/sc_dom_img/robotics.svg - + - + title: Bioinformática + alttext: Um pedaço de DNA. + img: /images/content_images/sc_dom_img/bioinformatics.svg + - + title: Inferência Bayesiana + alttext: Um gráfico com uma curva em forma de sino. + img: /images/content_images/sc_dom_img/bayesian_inference.svg + - + title: Análise Matemática + alttext: Quatro símbolos matemáticos. + img: /images/content_images/sc_dom_img/mathematical_analysis.svg + - + title: Química + alttext: Um tubo de ensaio. + img: /images/content_images/sc_dom_img/chemistry.svg + - + title: Geociências + alttext: A Terra. + img: /images/content_images/sc_dom_img/geoscience.svg + - + title: Processamento Geográfico + alttext: Um mapa. + img: /images/content_images/sc_dom_img/GIS.svg + - + title: Arquitetura e Engenharia + alttext: Uma placa de desenvolvimento de microprocessador. + img: /images/content_images/sc_dom_img/robotics.svg datascience: - - intro: "NumPy lies at the core of a rich ecosystem of data science libraries. A typical exploratory data science workflow might look like:" - + intro: "NumPy está no centro de um rico ecossistema de bibliotecas de ciência de dados. Um fluxo de trabalho típico de ciência de dados exploratório pode parecer assim:" image1: - - img: /images/content_images/ds-landscape.png - alttext: Diagram of Python Libraries. The five catagories are 'Extract, Transform, Load', 'Data Exploration', 'Data Modeling', 'Data Evaluation' and 'Data Presentation'. - + - + img: /images/content_images/ds-landscape.png + alttext: Diagrama de bibliotecas Python. As cinco categorias são 'Extrair, Transformar, Carregar', 'Exploração de Dados', 'Modelo de Dados', 'Avaliação de Dados' e 'Apresentação de Dados'. image2: - - img: /images/content_images/data-science.png - alttext: Diagram of three overlapping circle. The circles labeled 'Mathematics', 'Computer Science' and 'Domain Expertise'. In the middle of the diagram, which has the three circles overlapping it, is an area labeled 'Data Science'. - + - + img: /images/content_images/data-science.png + alttext: Diagram of three overlapping circle. The circles labeled 'Mathematics', 'Computer Science' and 'Domain Expertise'. In the middle of the diagram, which has the three circles overlapping it, is an area labeled 'Data Science'. examples: - - text: "Extract, Transform, Load: [Pandas](https://pandas.pydata.org),[ Intake](https://intake.readthedocs.io),[PyJanitor](https://pyjanitor.readthedocs.io/)" - - text: "Exploratory analysis: [Jupyter](https://jupyter.org),[Seaborn](https://seaborn.pydata.org),[ Matplotlib](https://matplotlib.org),[ Altair](https://altair-viz.github.io)" - - text: "Model and evaluate: [scikit-learn](https://scikit-learn.org),[ statsmodels](https://www.statsmodels.org/stable/index.html),[ PyMC3](https://docs.pymc.io),[ spaCy](https://spacy.io)" - - text: "Report in a dashboard: [Dash](https://plotly.com/dash),[ Panel](https://panel.holoviz.org),[ Voila](https://github.com/voila-dashboards/voila)" - + - + text: "Extract, Transform, Load: [Pandas](https://pandas.pydata.org),[ Intake](https://intake.readthedocs.io),[PyJanitor](https://pyjanitor.readthedocs.io/)" + - + text: "Exploratory analysis: [Jupyter](https://jupyter.org),[Seaborn](https://seaborn.pydata.org),[ Matplotlib](https://matplotlib.org),[ Altair](https://altair-viz.github.io)" + - + text: "Model and evaluate: [scikit-learn](https://scikit-learn.org),[ statsmodels](https://www.statsmodels.org/stable/index.html),[ PyMC3](https://docs.pymc.io),[ spaCy](https://spacy.io)" + - + text: "Report in a dashboard: [Dash](https://plotly.com/dash),[ Panel](https://panel.holoviz.org),[ Voila](https://github.com/voila-dashboards/voila)" content: - - text: For high data volumes, [Dask](https://dask.org) and[Ray](https://ray.io/) are designed to scale. Stabledeployments rely on data versioning ([DVC](https://dvc.org)),experiment tracking ([MLFlow](https://mlflow.org)), andworkflow automation ([Airflow](https://airflow.apache.org) and[Prefect](https://www.prefect.io)). - + - + text: For high data volumes, [Dask](https://dask.org) and[Ray](https://ray.io/) are designed to scale. Stabledeployments rely on data versioning ([DVC](https://dvc.org)),experiment tracking ([MLFlow](https://mlflow.org)), andworkflow automation ([Airflow](https://airflow.apache.org) and[Prefect](https://www.prefect.io)). visualization: images: - - url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries - img: /images/content_images/v_matplotlib.png - alttext: A streamplot made in matplotlib - - url: https://github.com/yhat/ggpy - img: /images/content_images/v_ggpy.png - alttext: A scatter-plot graph made in ggpy - - url: https://www.journaldev.com/19692/python-plotly-tutorial - img: /images/content_images/v_plotly.png - alttext: A box-plot made in plotly - - url: https://altair-viz.github.io/gallery/streamgraph.html - img: /images/content_images/v_altair.png - alttext: A streamgraph made in altair - - url: https://seaborn.pydata.org - img: /images/content_images/v_seaborn.png - alttext: A pairplot of two types of graph, a plot-graph and a frequency graph made in seaborn" - - url: https://docs.pyvista.org/examples/index.html - img: /images/content_images/v_pyvista.png - alttext: A 3D volume rendering made in PyVista. - - url: https://napari.org - img: /images/content_images/v_napari.png - alttext: A multi-dimensionan image made in napari. - - url: https://vispy.org/gallery/index.html - img: /images/content_images/v_vispy.png - alttext: A Voronoi diagram made in vispy. - + - + url: https://www.fusioncharts.com/blog/best-python-data-visualization-libraries + img: /images/content_images/v_matplotlib.png + alttext: Um streamplot feito em matplotlib + - + url: https://github.com/yhat/ggpy + img: /images/content_images/v_ggpy.png + alttext: Um gráfico scatter-plot feito em ggpy + - + url: https://www.journaldev.com/19692/python-plotly-tutorial + img: /images/content_images/v_plotly.png + alttext: Um box-plot feito no plotly + - + url: https://altair-viz.github.io/gallery/streamgraph.html + img: /images/content_images/v_altair.png + alttext: Um gráfico streamgraph feito em altair + - + url: https://seaborn.pydata.org + img: /images/content_images/v_seaborn.png + alttext: A plot duplo com dois tipos de gráficos, um plot-graph e um gráfico de frequência feitos no seaborn + - + url: https://docs.pyvista.org/examples/index.html + img: /images/content_images/v_pyvista.png + alttext: Uma renderização de volume 3D feita no PyVista. + - + url: https://napari.org + img: /images/content_images/v_napari.png + alttext: Uma imagem multidimensional, feita em napari. + - + url: https://vispy.org/gallery/index.html + img: /images/content_images/v_vispy.png + alttext: Diagrama de Voronoi feito com vispy. content: - - text: NumPy is an essential component in the burgeoning - [Python visualization landscape](https://pyviz.org/overviews/index.html), - which includes [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), - and [PyVista](https://github.com/pyvista/pyvista), to name a few. - - text: NumPy's accelerated processing of large arrays allows researchers to visualize - datasets far larger than native Python could handle. \ No newline at end of file + - + text: NumPy é um componente essencial no crescente [campo de visualização em Python](https://pyviz.org/overviews/index.html), que inclui [Matplotlib](https://matplotlib.org), [Seaborn](https://seaborn.pydata.org), [Plotly](https://plot.ly), [Altair](https://altair-viz.github.io), [Bokeh](https://docs.bokeh.org/en/latest/), [Holoviz](https://holoviz.org), [Vispy](http://vispy.org), [Napari](https://github.com/napari/napari), e [PyVista](https://github.com/pyvista/pyvista), para citar alguns. + - + text: O processamento de grandes arrays acelerado pela NumPy permite que os pesquisadores visualizem conjuntos de dados muito maiores do que o Python nativo poderia permitir. diff --git a/content/pt/teams.md b/content/pt/teams.md index 365aedcf19..fcbe93bcfb 100644 --- a/content/pt/teams.md +++ b/content/pt/teams.md @@ -1,11 +1,9 @@ --- -title: NumPy Teams +title: Times NumPy sidebar: false --- -We are an international team on a mission to support scientific and research -communities worldwide by building quality, open-source software. -[Join us]({{< relref "/contribute" >}})! +Somos uma equipe internacional com a missão de apoiar comunidades científicas e de pesquisa em todo o mundo construindo software de código aberto de qualidade. [Junte-se a nós]({{< relref "/contribute" >}})! {{< include-html "static/gallery/maintainers.html" >}} @@ -19,6 +17,6 @@ communities worldwide by building quality, open-source software. {{< include-html "static/gallery/emeritus-maintainers.html" >}} -# Governance +# Governança -For the list of people on the Steering Council, please see [here](https://numpy.org/devdocs/dev/governance/people.html). +Para a lista de pessoas no Conselho Diretor, veja [aqui](https://numpy.org/devdocs/dev/governance/people.html). diff --git a/content/pt/user-survey-2020.md b/content/pt/user-survey-2020.md new file mode 100644 index 0000000000..0cb175d668 --- /dev/null +++ b/content/pt/user-survey-2020.md @@ -0,0 +1,16 @@ +--- +title: PESQUISA SOBRE A COMUNIDADE NUMPY 2020 +sidebar: false +--- + +Em 2020, o time de pesquisas do NumPy realizou a primeira pesquisa oficial sobre a comunidade NumPy, em parceria com alunos e docentes de um Mestrado em metodologia de pesquisa realizado conjuntamente pela Universidade de Michigan e pela Universidade da Maryland. Mais de 1200 usuários de 75 países participaram para nos ajudar a mapear uma paisagem da comunidade NumPy e expressaram seus pensamentos sobre o futuro do projeto. + +{{< figure src="/surveys/NumPy_usersurvey_2020_report_cover.png" class="fig-left" alt="Página de capa do relatório da pesquisa de usuários do NumPy 2020, chamado 'NumPy Community Survey 2020 - results'" width="250">}} + +**[Faça o download do relatório](/surveys/NumPy_usersurvey_2020_report.pdf)** para ver os detalhes sobre os resultados encontrados. + + +Para os destaques, confira **[este infográfico](https://github.com/numpy/numpy-surveys/blob/master/images/2020NumPysurveyresults_community_infographic.pdf)**. + +Quer saber mais? Visite **https://numpy.org/user-survey-2020-details/**. + diff --git a/content/pt/user-surveys.md b/content/pt/user-surveys.md new file mode 100644 index 0000000000..4f60686926 --- /dev/null +++ b/content/pt/user-surveys.md @@ -0,0 +1,10 @@ +--- +title: PESQUISA DE USUÁRIOS NUMPY +sidebar: false +--- + +**2020** O time de pesquisas da NumPy, em parceria com estudantes e professores da Universidade de Michigan e da Universidade de Maryland, conduziram a primeira pesquisa oficial sobre a comunidade NumPy. Você pode encontrar os resultados da pesquisa [aqui (em inglês)](https://numpy.org/user-survey-2020/). + +**2021** Os dados coletados estão em análise. + +Se você tem dúvidas ou sugestões sobre as pesquisas já realizadas ou futuras, por favor crie uma issue [aqui](https://github.com/numpy/numpy-surveys/issues).