Add Portuguese, Brazilian translations.

Author: scientificpythontranslations

content/pt/404.md

@@ -5,4 +5,4 @@ sidebar: false
 
 Oops! Você atingiu um beco sem saída.
 
-Se você acha que algo deveria estar aqui, você pode [abrir uma issue](https://github.com/numpy/numpy.org/issues) no GitHub. 
+Se você acha que algo deveria estar aqui, você pode [abrir uma issue](https://github.com/numpy/numpy.org/issues) no GitHub.

content/pt/_index.md

@@ -10,40 +10,46 @@ title = 'Arrays n-dimensionais poderosas'
 body = '''
 Rápidos e versáteis, os conceitos de vetorização, indexação e broadcasting do NumPy são, na prática, o padrão em computação com arrays.
 '''
+{{< /card >}}
 
 [[item]]
 type = 'card'
 title = 'Ferramentas de computação numérica'
 body = '''
 O NumPy oferece um conjunto completo de funções matemáticas, geradores de números aleatórios, rotinas de álgebra linear, transformadas de Fourier, e mais.
 '''
+{{< /card >}}
 
 [[item]]
 type = 'card'
-title = 'Interoperabilidade'
+title = 'Código aberto'
 body = '''
-O NumPy suporta um grande número de plataformas de hardware e computação, e pode ser combinado com bibliotecas de computação com arrays esparsas, distribuidas ou em GPUs.
+Distribuído sob 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.
 '''
+{{< /card >}}
 
 [[item]]
 type = 'card'
-title = 'Alto desempenho'
+title = 'Interoperabilidade'
 body = '''
-O núcleo do NumPy é feito de código otimizado em C. Experimente a flexibilidade do Python com a velocidade de código compilado.
+O NumPy suporta um grande número de plataformas de equipamento físico e computação, e pode ser combinado com bibliotecas de computação com arrays esparsas, distribuídas ou em GPUs.
 '''
+{{< /card >}}
 
 [[item]]
 type = 'card'
-title = 'Fácil de usar'
+title = 'Alto desempenho'
 body = '''
-A sintaxe de alto nível do NumPy torna-o acessível e produtivo para programadores de qualquer nível de experiência e formação.
+O núcleo do NumPy é feito de código otimizado em C. Aproveite a flexibilidade do Python com a velocidade de código compilado.
 '''
+{{< /card >}}
 
 [[item]]
 type = 'card'
-title = 'Código aberto'
+title = 'Fácil de usar'
 body = '''
-Distribuido com uma [licença BSD](https://github.com/numpy/numpy/blob/main/LICENSE.txt) liberal, o NumPy é desenvolvido e mantido [publicamente no GitHub](https://github.com/numpy/numpy) por uma [comunidade](/pt/community) vibrante, responsiva, e diversa.
+A sintaxe de alto nível do NumPy torna-o acessível e produtivo para programadores de qualquer nível de experiência e formação.
 '''
+{{< /card >}}
 
-{{< /grid >}}
+{{< /grid>}}

content/pt/about.md

@@ -1,43 +1,44 @@
 ---
-title: Quem Somos
+title: Sobre
 sidebar: false
 ---
 
-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).
-
-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).
+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 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).
 
+O NumPy é desenvolvido abertamente no GitHub, através do consenso da comunidade NumPy e de uma comunidade mais ampla de Python científico. Para obter mais informações sobre nossa abordagem de governança, por favor, consulte nosso [Documento de Governança](https://www.numpy.org/devdocs/dev/governance/index.html).
 
 ## Conselho Diretor (Steering Council)
 
-O papel do Conselho Diretor do NumPy consiste em assegurar o bem-estar a longo prazo do projeto, tanto nos aspectos técnicos quanto na comunidade. Isso é feito através do trabalho com e para a comunidade NumPy em geral. O Conselho Diretor do NumPy atualmente consiste dos seguintes membros (em ordem alfabética, pelo sobrenome):
+O Conselho Diretor do NumPy é a entidade que governa o projeto. Seu papel é garantir, através do trabalho com e para a comunidade NumPy em geral, a sustentabilidade do projeto a longo prazo, tanto como pacote de software quanto como comunidade. O Conselho Diretor do NumPy atualmente consiste dos seguintes membros (em ordem alfabética, pelo sobrenome):
 
 - Sebastian Berg
 - Ralf Gommers
 - Charles Harris
-- Stephan Hoyer
 - Inessa Pawson
 - Matti Picus
 - Stéfan van der Walt
 - Melissa Weber Mendonça
+- Marten van Kerkwijk
 - Eric Wieser
 
 Membros Eméritos:
 
 - Alex Griffing (2015-2017)
 - Allan Haldane (2015-2021)
-- Marten van Kerkwijk (2017-2019)
-- Travis Oliphant (project founder, 2005-2012)
+- Travis Oliphant (fundador do projeto, 2005-2012)
 - Nathaniel Smith (2012-2021)
 - Julian Taylor (2013-2021)
 - Jaime Fernández del Río (2014-2021)
 - Pauli Virtanen (2008-2021)
+- Eric Wieser (2017-2025)
+- Stephan Hoyer (2017-2025)
 
 Para entrar em contato com o conselho diretor do NumPy, por favor envie um email para [email protected].
 
 ## Times
 
-A liderança do projeto NumPy trabalha ativamente na diversificação dos caminhos possíveis para contribuições.<br> Atualmente, o NumPy conta com os seguintes times:
+A liderança do projeto NumPy trabalha ativamente na diversificação dos caminhos possíveis para contribuições.<br>
+Atualmente, o NumPy conta com os seguintes times:
 
 - desenvolvimento
 - documentação
@@ -61,10 +62,8 @@ Veja a página sobre os [Times](/teams) para mais informações.
 
 ## Patrocinadores
 
-O NumPy recebe financiamento direto das seguintes fontes:
 {{< sponsors >}}
 
-
 ## Parceiros Institucionais
 
 Os Parceiros Institucionais são organizações que apoiam o projeto, empregando pessoas que contribuem para a NumPy como parte de seu trabalho. Os parceiros institucionais atuais incluem:
@@ -75,16 +74,15 @@ Os Parceiros Institucionais são organizações que apoiam o projeto, empregando
 
 {{< partners >}}
 
-
 ## Doações
 
-Se você achou o NumPy útil no seu trabalho, pesquisa ou empresa, por favor considere fazer uma doação para o projeto que seja compatível com seus recursos. Qualquer quantidade ajuda! Todas as doações serão utilizadas estritamente para financiar o desenvolvimento do software de código aberto da NumPy, documentação e comunidade.
+Se você achou o NumPy útil no seu trabalho, pesquisa ou empresa, por favor considere fazer uma doação para o projeto que seja compatível com seus recursos. Qualquer quantidade ajuda! Todas as doações serão utilizadas estritamente para financiar o desenvolvimento do software de código aberto, documentação e comunidade da NumPy.
 
-NumPy é um Projeto Patrocinado da NumFOCUS, uma instituição de caridade sem fins lucrativos nos Estados Unidos. A NumFOCUS fornece ao NumPy apoio fiscal, legal e administrativo para ajudar a garantir a saúde e a sustentabilidade do projeto. Visite [numfocus.org](https://numfocus.org) para obter mais informações.
+NumPy é um Projeto Patrocinado da NumFOCUS, uma instituição de caridade sem fins lucrativos 501(c)(3) nos Estados Unidos. A NumFOCUS fornece ao NumPy apoio fiscal, legal e administrativo para ajudar a garantir a saúde e a sustentabilidade do projeto. Visite [numfocus.org](https://numfocus.org) para obter mais informações.
 
 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).
+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 [roadmap do NumPy](https://www.numpy.org/neps/index.html#roadmap).
 
 {{<opencollective>}}
 

content/pt/arraycomputing.md

@@ -3,19 +3,20 @@ title: Computação com Arrays
 sidebar: false
 ---
 
-*A computação com arrays é a base para estatística e matemática computacionais, computação científica e suas várias aplicações em ciência e análise de dados, tais como visualização de dados, processamento de sinais digitais, processamento de imagens, bioinformática, aprendizagem de máquina, IA e muitas outras.*
+_A computação com matrizes é a base para estatística e matemática computacionais, computação científica e suas várias aplicações em ciência e análise de dados, tais como visualização de dados, processamento de sinais digitais, processamento de imagens, bioinformática, aprendizagem de máquina, IA e muitas outras._
 
-A manipulação e a transformação de dados de grande escala dependem de computação eficiente de alta performance com arrays. A linguagem mais escolhida para análise de dados, aprendizagem de máquina e computação numérica produtiva é **Python.**
+A manipulação e a transformação de dados de grande escala dependem de computação eficiente de alto desempenho com arrays. A linguagem mais escolhida para análise de dados, aprendizagem de máquina e computação numérica produtiva é **Python.**
 
 **Num**erical **Py**thon (Python Numérico) ou NumPy é a biblioteca em Python padrão para o suporte à utilização de matrizes e arrays multidimensionais de grande porte, e vem com uma vasta coleção de funções matemáticas de alto nível para operar nestas arrays.
 
-Desde o lançamento do NumPy em 2006, o Pandas apareceu em 2008, e nos últimos anos vimos uma sucessão de bibliotecas de computação com arrays aparecerem, ocupando e preenchendo o campo da computação com arrays. Muitas dessas bibliotecas mais recentes imitam recursos e capacidades parecidas com o NumPy e entregam algoritmos e recursos mais recentes voltados para aplicações de aprendizagem de máquina e inteligência artificial.
+Desde o lançamento do NumPy em 2006, o Pandas apareceu em 2008, e nos últimos anos vimos uma sucessão de bibliotecas de computação com arrays aparecerem, ocupando e preenchendo o campo da computação com arrays.
+Muitas dessas bibliotecas mais recentes imitam recursos e capacidades parecidas com o NumPy e entregam algoritmos e recursos mais recentes voltados para aplicações de aprendizagem de máquina e inteligência artificial.
 
 <img
-  src="/images/content_images/array_c_landscape.png"
-  alt="arraycl"
-  title="Panorama de Computação com Arrays" />
+src="/images/content_images/array_c_landscape.png"
+alt="arraycl"
+title="Array Computing Landscape">
 
-A **computação com arrays** é baseada em estruturas de dados chamadas **arrays**. *Arrays* são usadas para organizar grandes quantidades de dados de forma que um conjunto de valores relacionados possa ser facilmente ordenado, obtido, matematicamente manipulado e transformado fácil e rapidamente.
+A **computação com matrizes** é baseada em estruturas de dados chamadas **arrays**. _Arrays_ usadas para organizar grandes quantidades de dados de forma que um conjunto de valores relacionados possa ser facilmente ordenado, obtido, matematicamente manipulado e transformado fácil e rapidamente.
 
-A computação com arrays é *única* pois envolve operar nos valores de um array de dados *de uma vez*. Isso significa que qualquer operação de array se aplica a todo um conjunto de valores de uma só vez. Esta abordagem vetorizada fornece velocidade e simplicidade por permitir que os programadores organizem o código e operem em agregados de dados, sem ter que usar laços com operações escalares individuais.
+A computação com matrizes é _única_ pois envolve operar nos valores de uma matriz de dados _de uma vez_. Isso significa que qualquer operação de array se aplica a todo um conjunto de valores de uma só vez. Esta abordagem vetorizada fornece velocidade e simplicidade por permitir que os programadores organizem o código e operem em agregados de dados, sem ter que usar laços com operações escalares individuais.