synaptix 0.1.0__tar.gz

synaptix-0.1.0/PKG-INFO

@@ -0,0 +1,98 @@
+Metadata-Version: 2.4
+Name: synaptix
+Version: 0.1.0
+Summary: Librería de Inteligencia Artificial para Python (ML, DL, Visión, NLP, IA Clásica).
+Home-page: https://github.com/Immanuel3008/SynaptIX
+Author: Emmanuel Ascendra Perez
+Author-email: ascendraemmanuel@gmail.com
+Project-URL: Repositorio, https://github.com/Immanuel3008/SynaptIX
+Project-URL: Reportar Bugs, https://github.com/Immanuel3008/SynaptIX/issues
+Project-URL: Documentación, https://github.com/Immanuel3008/SynaptIX/wiki
+Keywords: machine learning,deep learning,artificial intelligence,data science,computer vision,nlp,synaptixx
+Classifier: Development Status :: 3 - Alpha
+Classifier: Intended Audience :: Developers
+Classifier: Intended Audience :: Science/Research
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Classifier: Topic :: Scientific/Engineering :: Mathematics
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.8
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: numpy>=1.20.0
+Requires-Dist: pandas>=1.3.0
+Requires-Dist: scipy>=1.7.0
+Requires-Dist: matplotlib>=3.4.0
+Provides-Extra: ml
+Requires-Dist: scikit-learn>=1.0.0; extra == "ml"
+Requires-Dist: statsmodels>=0.13.0; extra == "ml"
+Provides-Extra: dl
+Requires-Dist: tensorflow>=2.5.0; extra == "dl"
+Provides-Extra: vision
+Requires-Dist: opencv-python>=4.5.0; extra == "vision"
+Provides-Extra: nlp
+Requires-Dist: nltk>=3.6.0; extra == "nlp"
+Requires-Dist: scikit-learn>=1.0.0; extra == "nlp"
+Provides-Extra: viz
+Requires-Dist: seaborn>=0.11.0; extra == "viz"
+Requires-Dist: plotly>=5.0.0; extra == "viz"
+Provides-Extra: all
+Requires-Dist: scikit-learn>=1.0.0; extra == "all"
+Requires-Dist: statsmodels>=0.13.0; extra == "all"
+Requires-Dist: tensorflow>=2.5.0; extra == "all"
+Requires-Dist: opencv-python>=4.5.0; extra == "all"
+Requires-Dist: nltk>=3.6.0; extra == "all"
+Requires-Dist: seaborn>=0.11.0; extra == "all"
+Requires-Dist: plotly>=5.0.0; extra == "all"
+Dynamic: author
+Dynamic: author-email
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: home-page
+Dynamic: keywords
+Dynamic: project-url
+Dynamic: provides-extra
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+📦 Descripción para PyPI (Plantilla Profesional)
+
+StatsLibX es un paquete de Python diseñado para proporcionar una solución sencilla, eficiente y flexible para manejar volumenes de datos.
+
+Este proyecto surge con la idea de ofrecer una alternativa moderna, intuitiva y ligera que permita a desarrolladores y entusiastas integrar la estadistica descriptiva e inferencial sin complicaciones, con multiples funcionalidades y utilidades pensadas para el futuro.
+
+✨ Características principales
+
+⚡ Rápido y eficiente: optimizado para ofrecer un rendimiento suave incluso en tareas exigentes.
+
+🧩 Fácil de usar: una API limpia para que empieces en segundos.
+
+🔧 Altamente extensible: personalízalo según tus necesidades.
+
+📚 Documentación clara: ejemplos simples y prácticos.
+
+🔮 Diseñado con visión a futuro: construido para escalar y adaptarse.
+
+🚀 Ejemplo rápido
+```python
+from statslibx import DescriptiveStats, InferentialStats, UtilsStats
+
+stats = DescriptiveStats(data) # InferentialStats(data), UtilsStats()
+stats.help()
+```
+
+📦 Instalación
+```bash
+pip install statslibx
+```
+
+🤝 Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas! 
+
+E-mail: ascendraemmanuel@gmail.com

synaptix-0.1.0/README.md

@@ -0,0 +1,36 @@
+📦 Descripción para PyPI (Plantilla Profesional)
+
+StatsLibX es un paquete de Python diseñado para proporcionar una solución sencilla, eficiente y flexible para manejar volumenes de datos.
+
+Este proyecto surge con la idea de ofrecer una alternativa moderna, intuitiva y ligera que permita a desarrolladores y entusiastas integrar la estadistica descriptiva e inferencial sin complicaciones, con multiples funcionalidades y utilidades pensadas para el futuro.
+
+✨ Características principales
+
+⚡ Rápido y eficiente: optimizado para ofrecer un rendimiento suave incluso en tareas exigentes.
+
+🧩 Fácil de usar: una API limpia para que empieces en segundos.
+
+🔧 Altamente extensible: personalízalo según tus necesidades.
+
+📚 Documentación clara: ejemplos simples y prácticos.
+
+🔮 Diseñado con visión a futuro: construido para escalar y adaptarse.
+
+🚀 Ejemplo rápido
+```python
+from statslibx import DescriptiveStats, InferentialStats, UtilsStats
+
+stats = DescriptiveStats(data) # InferentialStats(data), UtilsStats()
+stats.help()
+```
+
+📦 Instalación
+```bash
+pip install statslibx
+```
+
+🤝 Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas! 
+
+E-mail: ascendraemmanuel@gmail.com

synaptix-0.1.0/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+

synaptix-0.1.0/setup.py

@@ -0,0 +1,91 @@
+from setuptools import setup, find_packages
+
+# Cargar README como descripción larga
+try:
+    with open("README.md", "r", encoding="utf-8") as fh:
+        long_description = fh.read()
+except FileNotFoundError:
+    long_description = "SynaptixX – Librería unificada de IA, ML, DL, Visión y NLP para Python."
+
+setup(
+    name="synaptix",  # ← más único para PyPI
+    version="0.1.0",
+    author="Emmanuel Ascendra Perez",
+    author_email="ascendraemmanuel@gmail.com",
+    description="Librería de Inteligencia Artificial para Python (ML, DL, Visión, NLP, IA Clásica).",
+    long_description=long_description,
+    long_description_content_type="text/markdown",
+    url="https://github.com/Immanuel3008/SynaptIX",
+    project_urls={
+        "Repositorio": "https://github.com/Immanuel3008/SynaptIX",
+        "Reportar Bugs": "https://github.com/Immanuel3008/SynaptIX/issues",
+        "Documentación": "https://github.com/Immanuel3008/SynaptIX/wiki",
+    },
+    packages=find_packages(),
+    include_package_data=True,
+
+    classifiers=[
+        "Development Status :: 3 - Alpha",
+        "Intended Audience :: Developers",
+        "Intended Audience :: Science/Research",
+        "Topic :: Scientific/Engineering :: Artificial Intelligence",
+        "Topic :: Scientific/Engineering :: Mathematics",
+        "Programming Language :: Python :: 3",
+        "Programming Language :: Python :: 3.8",
+        "Programming Language :: Python :: 3.9",
+        "Programming Language :: Python :: 3.10",
+        "Programming Language :: Python :: 3.11",
+        "Programming Language :: Python :: 3.12",
+    ],
+
+    python_requires=">=3.8",
+
+    # Dependencias base
+    install_requires=[
+        "numpy>=1.20.0",
+        "pandas>=1.3.0",
+        "scipy>=1.7.0",
+        "matplotlib>=3.4.0",
+    ],
+
+    # Dependencias opcionales
+    extras_require={
+        "ml": [
+            "scikit-learn>=1.0.0",
+            "statsmodels>=0.13.0",
+        ],
+        "dl": [
+            "tensorflow>=2.5.0",
+        ],
+        "vision": [
+            "opencv-python>=4.5.0",
+        ],
+        "nlp": [
+            "nltk>=3.6.0",
+            "scikit-learn>=1.0.0",  # TF-IDF
+        ],
+        "viz": [
+            "seaborn>=0.11.0",
+            "plotly>=5.0.0",
+        ],
+        "all": [
+            "scikit-learn>=1.0.0",
+            "statsmodels>=0.13.0",
+            "tensorflow>=2.5.0",
+            "opencv-python>=4.5.0",
+            "nltk>=3.6.0",
+            "seaborn>=0.11.0",
+            "plotly>=5.0.0",
+        ],
+    },
+
+    keywords=[
+        "machine learning",
+        "deep learning",
+        "artificial intelligence",
+        "data science",
+        "computer vision",
+        "nlp",
+        "synaptixx",
+    ],
+)

synaptix-0.1.0/synaptix/__init__.py

@@ -0,0 +1,37 @@
+"""
+SynaptIX - Librería de Inteligencia Artificial para Python
+Autor: Emmanuel Ascendra
+Versión: 0.1.0
+
+Incluye:
+- Machine Learning
+- Deep Learning
+- Visión Artificial
+- Procesamiento del Lenguaje Natural
+- IA Clásica
+"""
+
+__version__ = "0.1.0"
+__author__ = "Emmanuel Ascendra"
+
+# Importar clases principales
+from .intelligenceartificial import Intelligence
+
+# Qué exponer con: from synaptix import *
+__all__ = [
+    "Intelligence",
+]
+
+# Mensaje de bienvenida
+def welcome():
+    """Imprime información sobre la librería SynaptIX."""
+    header = f"\033[1;96mSynaptIX v{__version__}\033[0m"
+    print(header)
+    print("Librería integral de Inteligencia Artificial para Python")
+    print(f"Autor: {__author__}\n")
+
+    print("Clases disponibles:")
+    print("  • Intelligence : IA completa (ML, DL, Visión, NLP, IA clásica)\n")
+
+    print("Usa help(Intelligence) para ver todos los métodos.")
+    print("Repositorio: https://github.com/Immanuel3008/SynaptIX")

synaptix-0.1.0/synaptix/intelligenceartificial.py

@@ -0,0 +1,370 @@
+import numpy as np
+import pandas as pd
+from typing import Optional, Union, Literal, List
+from datetime import datetime
+
+from sklearn.linear_model import LinearRegression, LogisticRegression
+from sklearn.svm import SVC
+from sklearn.cluster import KMeans
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.preprocessing import StandardScaler
+from sklearn.model_selection import train_test_split
+
+import cv2  # opcional si se usa visión
+from collections import deque
+import heapq
+
+class Intelligence:
+    """
+    Clase general para Inteligencia Artificial + ML + DL + Visión + NLP + IA clásica.
+    Compatible con estilo StatsLibX.
+    """
+
+    def __init__(self, data: Union[pd.DataFrame, np.ndarray, list], 
+                 backend: Literal['pandas'] = 'pandas'):
+        if isinstance(data, np.ndarray):
+            if data.ndim == 1:
+                data = pd.DataFrame({'var': data})
+            else:
+                data = pd.DataFrame(data, columns=[f'var_{i}' for i in range(data.shape[1])])
+
+        if isinstance(data, list):
+            data = pd.DataFrame({'var': data})
+
+        self.data = data
+        self.backend = backend
+        self._numeric_cols = data.select_dtypes(include=[np.number]).columns.tolist()
+        
+    # ============================================================================
+    #                                MACHINE LEARNING
+    # ============================================================================
+
+    def linear_regression(self, y: str, X: List[str]):
+        """
+        Regresión Lineal (scikit-learn)
+        """
+        model = LinearRegression()
+        model.fit(self.data[X], self.data[y])
+
+        return {
+            "type": "linear_regression",
+            "coef": model.coef_,
+            "intercept": model.intercept_,
+            "predict": model.predict
+        }
+
+    def logistic_regression(self, y: str, X: List[str]):
+        """
+        Regresión Logística para clasificación
+        """
+        model = LogisticRegression()
+        model.fit(self.data[X], self.data[y])
+
+        return {
+            "type": "logistic_regression",
+            "classes": model.classes_,
+            "coef": model.coef_,
+            "predict": model.predict
+        }
+
+    def svm_classifier(self, y: str, X: List[str], kernel="rbf"):
+        """
+        SVM Classifier
+        """
+        model = SVC(kernel=kernel, probability=True)
+        model.fit(self.data[X], self.data[y])
+
+        return {
+            "type": "svm_classifier",
+            "kernel": kernel,
+            "predict": model.predict,
+            "predict_proba": model.predict_proba
+        }
+
+    def kmeans(self, n_clusters=3, columns=None):
+        """
+        K-Means Clustering
+        """
+        cols = columns or self._numeric_cols
+        model = KMeans(n_clusters=n_clusters)
+        model.fit(self.data[cols])
+
+        return {
+            "type": "kmeans",
+            "centroids": model.cluster_centers_,
+            "labels": model.labels_,
+            "predict": model.predict
+        }
+
+    # ============================================================================
+    #                                DEEP LEARNING
+    # ============================================================================
+
+    def dense_network(self, input_dim, layers=[32,16,8], activation="relu"):
+        """
+        Red neuronal densa simple implementada 'a mano' (sin frameworks).
+        Solo forward.
+        """
+
+        weights = []
+        biases = []
+
+        prev = input_dim
+        for layer in layers:
+            weights.append(np.random.randn(prev, layer) * 0.1)
+            biases.append(np.zeros((layer,)))
+            prev = layer
+
+        def forward(x):
+            out = x
+            for W, b in zip(weights, biases):
+                out = np.dot(out, W) + b
+                out = np.maximum(out, 0) if activation == "relu" else np.tanh(out)
+            return out
+
+        return {
+            "type": "dense_network",
+            "forward": forward,
+            "weights": weights
+        }
+
+    def cnn(self):
+        """
+        Placeholder CNN simple; retornas estructura.
+        """
+        return {
+            "type": "cnn",
+            "note": "Implementación ligera; aquí puedes usar TensorFlow/PyTorch luego."
+        }
+
+    # ============================================================================
+    #                                 VISIÓN ARTIFICIAL
+    # ============================================================================
+
+    def detect_edges(self, image, method="canny"):
+        """
+        Detección de bordes con Canny u Sobel
+        """
+        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+
+        if method == "canny":
+            edges = cv2.Canny(gray, 100, 200)
+        else:
+            sx = cv2.Sobel(gray, cv2.CV_64F, 1, 0)
+            sy = cv2.Sobel(gray, cv2.CV_64F, 0, 1)
+            edges = np.sqrt(sx**2 + sy**2)
+
+        return edges
+
+    def image_features(self, image):
+        """
+        Histogramas y características simples
+        """
+        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+        hist = cv2.calcHist([gray], [0], None, [256], [0,256]).flatten()
+
+        return {
+            "mean": float(np.mean(gray)),
+            "std": float(np.std(gray)),
+            "histogram": hist
+        }
+
+    # ============================================================================
+    #                       PROCESAMIENTO DEL LENGUAJE NATURAL (NLP)
+    # ============================================================================
+
+    def tokenize(self, text: str):
+        """
+        Tokenización básica
+        """
+        return text.lower().replace(",", "").replace(".", "").split()
+
+    def vectorize_tfidf(self, documents: List[str]):
+        """
+        TF-IDF vectorization
+        """
+        tfidf = TfidfVectorizer()
+        X = tfidf.fit_transform(documents)
+
+        return {
+            "type": "tfidf",
+            "matrix": X,
+            "vocab": tfidf.vocabulary_,
+            "transform": tfidf.transform
+        }
+
+    # ============================================================================
+    #                                IA CLÁSICA
+    # ============================================================================
+
+    def a_star(self, start, goal, graph: dict):
+        """
+        Algoritmo A*
+        Grafo como dict: {nodo: {vecino: costo}}
+        """
+
+        def heuristic(a, b):
+            return abs(a - b)
+
+        pq = [(0, start)]
+        visited = set()
+        parent = {start: None}
+        g = {start: 0}
+
+        while pq:
+            cost, node = heapq.heappop(pq)
+            if node == goal:
+                break
+            
+            if node in visited:
+                continue
+
+            visited.add(node)
+
+            for nxt, w in graph[node].items():
+                new_cost = g[node] + w
+                if nxt not in g or new_cost < g[nxt]:
+                    g[nxt] = new_cost
+                    f = new_cost + heuristic(nxt, goal)
+                    heapq.heappush(pq, (f, nxt))
+                    parent[nxt] = node
+
+        # reconstruir camino
+        path = []
+        curr = goal
+        while curr is not None:
+            path.append(curr)
+            curr = parent[curr]
+        path.reverse()
+
+        return path
+
+    def genetic_algorithm(self, fitness_fn, population_size=10, generations=20):
+        """
+        Algoritmo genético muy simple
+        """
+
+        population = [np.random.rand() for _ in range(population_size)]
+
+        for _ in range(generations):
+            scores = np.array([fitness_fn(ind) for ind in population])
+            probs = scores / np.sum(scores)
+            selected = np.random.choice(population, size=population_size, p=probs)
+
+            new_pop = []
+            for _ in range(population_size):
+                a, b = np.random.choice(selected, 2)
+                child = (a + b) / 2
+                child += np.random.randn() * 0.01
+                new_pop.append(child)
+
+            population = new_pop
+
+        best = max(population, key=fitness_fn)
+        return best
+    
+    def help(self):
+        """
+        Muestra ayuda completa de la clase Intelligence
+        """
+        help_text = """
+    ╔════════════════════════════════════════════════════════════════════════════╗
+    ║                   🤖 CLASE Intelligence - AYUDA COMPLETA                   ║
+    ╚════════════════════════════════════════════════════════════════════════════╝
+
+    📝 DESCRIPCIÓN:
+    Clase para Machine Learning, Deep Learning, Visión Artificial,
+    Procesamiento de Lenguaje Natural e Inteligencia Artificial clásica.
+    Compatible con estilo StatsLibX.
+
+    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+    📋 MÉTODOS PRINCIPALES:
+
+    ┌────────────────────────────────────────────────────────────────────────────┐
+    │ 1. ⭐ MACHINE LEARNING                                                     │
+    └────────────────────────────────────────────────────────────────────────────┘
+    • linear_regression(y, X)      → Regresión lineal
+    • logistic_regression(y, X)    → Regresión logística (clasificación)
+    • svm_classifier(y, X, kernel='rbf') → SVM classifier
+    • kmeans(n_clusters=3, columns=None) → K-Means clustering
+
+    ┌────────────────────────────────────────────────────────────────────────────┐
+    │ 2. ⭐ DEEP LEARNING                                                        │
+    └────────────────────────────────────────────────────────────────────────────┘
+    • dense_network(input_dim, layers=[32,16], activation='relu') → Red densa
+    • cnn()                             → Red convolucional placeholder
+
+    ┌────────────────────────────────────────────────────────────────────────────┐
+    │ 3. ⭐ VISIÓN ARTIFICIAL                                                      │
+    └────────────────────────────────────────────────────────────────────────────┘
+    • detect_edges(image, method='canny') → Detección de bordes
+    • image_features(image)               → Histogramas y características básicas
+
+    ┌────────────────────────────────────────────────────────────────────────────┐
+    │ 4. ⭐ NLP (Procesamiento del Lenguaje)                                      │
+    └────────────────────────────────────────────────────────────────────────────┘
+    • tokenize(text)                   → Tokenización básica
+    • vectorize_tfidf(documents)       → Vectorización TF-IDF
+
+    ┌────────────────────────────────────────────────────────────────────────────┐
+    │ 5. ⭐ IA CLÁSICA                                                             │
+    └────────────────────────────────────────────────────────────────────────────┘
+    • a_star(start, goal, graph)        → Búsqueda A* en grafos
+    • genetic_algorithm(fitness_fn, population_size=10, generations=20)
+                                        → Algoritmo genético simple
+
+    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+    💡 EJEMPLOS DE USO:
+
+    ┌─ Inicialización ─────────────────────────────────────────────────────────┐
+    │ import pandas as pd                                                      │
+    │ from intelligence import Intelligence                                    │
+    │ df = pd.read_csv('datos.csv')                                            │
+    │ ai = Intelligence(df)                                                    │
+    └──────────────────────────────────────────────────────────────────────────┘
+
+    ┌─ Machine Learning ───────────────────────────────────────────────────────┐
+    │ lr = ai.linear_regression(y='target', X=['feat1','feat2'])               │
+    │ print(lr['coef_'], lr['intercept'])                                      │
+    └──────────────────────────────────────────────────────────────────────────┘
+
+    ┌─ Deep Learning ──────────────────────────────────────────────────────────┐
+    │ net = ai.dense_network(input_dim=3, layers=[8,4])                        │
+    │ out = net['forward'](np.array([[1,2,3]]))                                 │
+    └──────────────────────────────────────────────────────────────────────────┘
+
+    ┌─ Visión ─────────────────────────────────────────────────────────────────┐
+    │ edges = ai.detect_edges(image)                                           │
+    │ feats = ai.image_features(image)                                         │
+    └──────────────────────────────────────────────────────────────────────────┘
+
+    ┌─ NLP ────────────────────────────────────────────────────────────────────┐
+    │ tokens = ai.tokenize("Hola mundo")                                       │
+    │ tfidf = ai.vectorize_tfidf(["texto 1","texto 2"])                        │
+    └──────────────────────────────────────────────────────────────────────────┘
+
+    ┌─ IA Clásica ─────────────────────────────────────────────────────────────┐
+    │ path = ai.a_star(start='A', goal='B', graph=graph_dict)                  │
+    │ best = ai.genetic_algorithm(fitness_fn=lambda x: -x**2)                  │
+    └──────────────────────────────────────────────────────────────────────────┘
+
+    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+    🎯 CARACTERÍSTICAS CLAVE:
+
+    ✓ ML, DL, visión, NLP e IA clásica integrados
+    ✓ Métodos compatibles con estilo StatsLibX
+    ✓ Salidas uniformes y fáciles de encadenar
+    ✓ Implementación ligera y escalable
+
+    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+    📚 DOCUMENTACIÓN ADICIONAL:
+    Para más información sobre métodos específicos, use:
+    help(Intelligence.nombre_metodo)
+
+    ╚════════════════════════════════════════════════════════════════════════════╝
+        """
+        print(help_text)

synaptix-0.1.0/synaptix.egg-info/PKG-INFO

@@ -0,0 +1,98 @@
+Metadata-Version: 2.4
+Name: synaptix
+Version: 0.1.0
+Summary: Librería de Inteligencia Artificial para Python (ML, DL, Visión, NLP, IA Clásica).
+Home-page: https://github.com/Immanuel3008/SynaptIX
+Author: Emmanuel Ascendra Perez
+Author-email: ascendraemmanuel@gmail.com
+Project-URL: Repositorio, https://github.com/Immanuel3008/SynaptIX
+Project-URL: Reportar Bugs, https://github.com/Immanuel3008/SynaptIX/issues
+Project-URL: Documentación, https://github.com/Immanuel3008/SynaptIX/wiki
+Keywords: machine learning,deep learning,artificial intelligence,data science,computer vision,nlp,synaptixx
+Classifier: Development Status :: 3 - Alpha
+Classifier: Intended Audience :: Developers
+Classifier: Intended Audience :: Science/Research
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Classifier: Topic :: Scientific/Engineering :: Mathematics
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.8
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: numpy>=1.20.0
+Requires-Dist: pandas>=1.3.0
+Requires-Dist: scipy>=1.7.0
+Requires-Dist: matplotlib>=3.4.0
+Provides-Extra: ml
+Requires-Dist: scikit-learn>=1.0.0; extra == "ml"
+Requires-Dist: statsmodels>=0.13.0; extra == "ml"
+Provides-Extra: dl
+Requires-Dist: tensorflow>=2.5.0; extra == "dl"
+Provides-Extra: vision
+Requires-Dist: opencv-python>=4.5.0; extra == "vision"
+Provides-Extra: nlp
+Requires-Dist: nltk>=3.6.0; extra == "nlp"
+Requires-Dist: scikit-learn>=1.0.0; extra == "nlp"
+Provides-Extra: viz
+Requires-Dist: seaborn>=0.11.0; extra == "viz"
+Requires-Dist: plotly>=5.0.0; extra == "viz"
+Provides-Extra: all
+Requires-Dist: scikit-learn>=1.0.0; extra == "all"
+Requires-Dist: statsmodels>=0.13.0; extra == "all"
+Requires-Dist: tensorflow>=2.5.0; extra == "all"
+Requires-Dist: opencv-python>=4.5.0; extra == "all"
+Requires-Dist: nltk>=3.6.0; extra == "all"
+Requires-Dist: seaborn>=0.11.0; extra == "all"
+Requires-Dist: plotly>=5.0.0; extra == "all"
+Dynamic: author
+Dynamic: author-email
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: home-page
+Dynamic: keywords
+Dynamic: project-url
+Dynamic: provides-extra
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+📦 Descripción para PyPI (Plantilla Profesional)
+
+StatsLibX es un paquete de Python diseñado para proporcionar una solución sencilla, eficiente y flexible para manejar volumenes de datos.
+
+Este proyecto surge con la idea de ofrecer una alternativa moderna, intuitiva y ligera que permita a desarrolladores y entusiastas integrar la estadistica descriptiva e inferencial sin complicaciones, con multiples funcionalidades y utilidades pensadas para el futuro.
+
+✨ Características principales
+
+⚡ Rápido y eficiente: optimizado para ofrecer un rendimiento suave incluso en tareas exigentes.
+
+🧩 Fácil de usar: una API limpia para que empieces en segundos.
+
+🔧 Altamente extensible: personalízalo según tus necesidades.
+
+📚 Documentación clara: ejemplos simples y prácticos.
+
+🔮 Diseñado con visión a futuro: construido para escalar y adaptarse.
+
+🚀 Ejemplo rápido
+```python
+from statslibx import DescriptiveStats, InferentialStats, UtilsStats
+
+stats = DescriptiveStats(data) # InferentialStats(data), UtilsStats()
+stats.help()
+```
+
+📦 Instalación
+```bash
+pip install statslibx
+```
+
+🤝 Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas! 
+
+E-mail: ascendraemmanuel@gmail.com

synaptix-0.1.0/synaptix.egg-info/SOURCES.txt

@@ -0,0 +1,9 @@
+README.md
+setup.py
+synaptix/__init__.py
+synaptix/intelligenceartificial.py
+synaptix.egg-info/PKG-INFO
+synaptix.egg-info/SOURCES.txt
+synaptix.egg-info/dependency_links.txt
+synaptix.egg-info/requires.txt
+synaptix.egg-info/top_level.txt

synaptix-0.1.0/synaptix.egg-info/dependency_links.txt

@@ -0,0 +1 @@
+

synaptix-0.1.0/synaptix.egg-info/requires.txt

@@ -0,0 +1,31 @@
+numpy>=1.20.0
+pandas>=1.3.0
+scipy>=1.7.0
+matplotlib>=3.4.0
+
+[all]
+scikit-learn>=1.0.0
+statsmodels>=0.13.0
+tensorflow>=2.5.0
+opencv-python>=4.5.0
+nltk>=3.6.0
+seaborn>=0.11.0
+plotly>=5.0.0
+
+[dl]
+tensorflow>=2.5.0
+
+[ml]
+scikit-learn>=1.0.0
+statsmodels>=0.13.0
+
+[nlp]
+nltk>=3.6.0
+scikit-learn>=1.0.0
+
+[vision]
+opencv-python>=4.5.0
+
+[viz]
+seaborn>=0.11.0
+plotly>=5.0.0

synaptix-0.1.0/synaptix.egg-info/top_level.txt

@@ -0,0 +1 @@
+synaptix