feat: update Spanish translations for consistency and gender neutrality in datasets and notebook tours

Author: Creylay

DashAI/front/src/utils/i18n/locales/es/datasetsTour.json

@@ -1,16 +1,16 @@
 {
   "completeUpload": "<0><0>Completar la Carga</0><1>Una vez que hayas cargado el archivo y revisado la configuración, haz clic en <0>\"Cargar\"</0> para procesar tu dataset.</1><2>DashAI analizará la estructura del archivo y lo preparará para la exploración y análisis.</2></0>",
   "continueUpload": "<0><0>Continuar con la Carga</0><1>Con el CSVDataLoader seleccionado, haz clic en \"Siguiente\" para proceder a la configuración de carga.</1></0>",
-  "createNotebook": "<0><0>Crear Notebook</0><1>En esta sección se crean Notebooks para el análisis de datos.</1><2>Un Notebook es un entorno interactivo donde se visualizan datos, se aplican transformaciones y se preparan datasets para el modelado.</2></0>",
+  "createNotebook": "<0><0>Crear Cuaderno</0><1>En esta sección se crean Cuadernos para el análisis de datos.</1><2>Un Cuaderno es un entorno interactivo donde se visualizan datos, se aplican transformaciones y se preparan datasets para el modelado.</2></0>",
   "dataLoaderConfig": "<0><0>Configuración del DataLoader</0><1>Aquí puedes configurar cómo se debe cargar el dataset:</1><2><0><0>Nombre:</0> Dale a tu dataset un nombre significativo</0><1><0>Separador:</0> El carácter que separa los valores (coma para CSV)</1><2><0>Otras opciones:</0> Configuraciones avanzadas para necesidades específicas</2></2><3>💡 <0>Consejo:</0> La configuración predeterminada funciona bien para la mayoría de los archivos CSV, ¡así que generalmente puedes dejarla como está!</3></0>",
-  "datasetModule": "<0><0>Módulo de Datasets</0><1>El módulo de Datasets permite gestionar datos y crear Notebooks interactivos para análisis. ¡Veamos cómo empezar!</1></0>",
+  "datasetModule": "<0><0>Módulo de Datasets</0><1>El módulo de Datasets permite gestionar datos y crear Cuadernos interactivos para análisis. ¡Veamos cómo empezar!</1></0>",
   "downloadSample": "<0><0>Descargar Dataset de Ejemplo</0><1>Para comenzar rápidamente, descarguemos un dataset de ejemplo.</1><2><0>Descargar Personality_Dataset.csv</0></2><3>💡 <0>Consejo:</0> El archivo se guardará en tu carpeta de Descargas de forma predeterminada.</3><4>¡Una vez descargado, haz clic en \"Siguiente\" para aprender a cargarlo!</4></0>",
-  "finishProcess": "<0><0>Finalizar el Proceso</0><1>Haz clic en \"Crear Notebook\" para comenzar a trabajar con tus datos en un entorno interactivo.</1><2>Podrás visualizar, transformar y preparar tus datos para el modelado.</2></0>",
+  "finishProcess": "<0><0>Finalizar el Proceso</0><1>Haz clic en \"Crear Cuaderno\" para comenzar a trabajar con tus datos en un entorno interactivo.</1><2>Podrás visualizar, transformar y preparar tus datos para el modelado.</2></0>",
   "importantNote": "<0><0>Nota Importante</0><1>Presta atención a esta información</1><2>Esto asegura que tus datos originales permanezcan intactos mientras experimentas.</2></0>",
-  "nextSteps": "<0><0>Próximos Pasos: Crear un Notebook</0><1>Ahora haz clic en \"Nuevo Notebook\" para abrir el dataset en un entorno interactivo.</1><2>En un Notebook, puedes analizar, visualizar y transformar tus datos.</2></0>",
+  "nextSteps": "<0><0>Próximos Pasos: Crear un Cuaderno</0><1>Ahora haz clic en \"Nuevo Cuaderno\" para abrir el dataset en un entorno interactivo.</1><2>En un Cuaderno, puedes analizar, visualizar y transformar tus datos.</2></0>",
   "nowUpload": "<0><0>Cargar el Dataset</0><1>Ahora que has descargado el dataset de ejemplo, carguémoslo a DashAI.</1><2><0>Haz clic en \"Cargar Dataset\" para comenzar el proceso de carga.</0></2></0>",
   "selectCsv": "<0><0>Seleccionar DataLoader CSV</0><1>Como nuestro dataset de ejemplo es un archivo CSV, necesitamos seleccionar el <0>CSVDataLoader</0>.</1><2>Los DataLoaders son herramientas que ayudan a DashAI a entender y procesar diferentes formatos de archivo.</2><3><0>Haz clic en \"CSVDataLoader\" para seleccionarlo.</0></3></0>",
   "uploadDataset": "<0><0>Cargar Dataset</0><1>Aquí es donde importas tus propios archivos de varios formatos y fuentes.</1><2>Puedes cargar CSV, Excel y otros formatos de datos comunes.</2></0>",
   "uploadFile": "<0><0>Cargar tu Archivo</0><1>¡Ahora es momento de cargar el archivo que acabas de descargar!</1><2><0>Haz clic en <0>\"Cargar un archivo\"</0> para buscarlo</0></2><3>💡 Busca \"personality_dataset.csv\" en tu carpeta de Descargas.</3></0>",
-  "yourDatasets": "<0><0>Tus Datasets</0><1>El dataset Personality ahora está disponible en tu lista de Datasets.</1><2>Puedes encontrar todos tus datasets y Notebooks cargados en esta barra lateral.</2></0>"
+  "yourDatasets": "<0><0>Tus Datasets</0><1>El dataset Personality ahora está disponible en tu lista de Datasets.</1><2>Puedes encontrar todos tus datasets y Cuadernos cargados en esta barra lateral.</2></0>"
 }

DashAI/front/src/utils/i18n/locales/es/notebookTour.json

@@ -1,16 +1,16 @@
 {
-  "configureParameters": "<0><0>Configurar Parámetros</0><1>Aquí puedes personalizar los parámetros del Explorer, como el número de bins para el histograma.</1><2>Por ahora, usaremos la configuración predeterminada. ¡Funciona bien para la mayoría de los casos!</2></0>",
-  "converterApplied": "<0><0>¡Converter Aplicado!</0><1>¡Excelente! Tu Label Encoder ahora está procesando las columnas seleccionadas.</1><2>Una vez terminado, verás los detalles de la transformación aquí. Todos los Explorers y Converters posteriores usarán estos datos transformados.</2></0>",
-  "convertersTab": "<0><0>Pestaña de Converters</0><1>Haz clic en la pestaña \"Converters\" para ver las herramientas de transformación disponibles.</1><2>Usaremos un Label Encoder para convertir datos categóricos en valores numéricos.</2></0>",
-  "createExplorer": "<0><0>Crear el Explorer</0><1>Ahora haz clic en el botón \"Crear Explorer\" para generar la visualización del histograma.</1></0>",
+  "configureParameters": "<0><0>Configurar Parámetros</0><1>Aquí puedes personalizar los parámetros del Explorador, como el número de bins para el histograma.</1><2>Por ahora, usaremos la configuración predeterminada. ¡Funciona bien para la mayoría de los casos!</2></0>",
+  "converterApplied": "<0><0>¡Conversor Aplicado!</0><1>¡Excelente! Tu Label Encoder ahora está procesando las columnas seleccionadas.</1><2>Una vez terminado, verás los detalles de la transformación aquí. Todos los Exploradores y Conversores posteriores usarán estos datos transformados.</2></0>",
+  "conversorsTab": "<0><0>Pestaña de Conversores</0><1>Haz clic en la pestaña \"Conversores\" para ver las herramientas de transformación disponibles.</1><2>Usaremos un Label Encoder para convertir datos categóricos en valores numéricos.</2></0>",
+  "createExplorador": "<0><0>Crear el Explorador</0><1>Ahora haz clic en el botón \"Crear Explorador\" para generar la visualización del histograma.</1></0>",
   "datasetPreview": "<0><0>Vista Previa del Dataset</0><1>Esta sección muestra una vista previa de tu Dataset. Puedes ver datos de muestra e información básica.</1><2>Recuerda que estás trabajando con una copia del Dataset original, por lo que cualquier cambio que hagas aquí no afectará los datos de origen.</2></0>",
-  "explorerCreated": "<0><0>¡Explorer Creado!</0><1>¡Excelente! Tu Explorer de histograma ahora se está procesando.</1><2>Una vez que termine, verás la visualización aquí. Los Explorers te ayudan a comprender los patrones y distribuciones de tus datos.</2><3><0>¡Ahora agreguemos una transformación de datos!</0></3></0>",
-  "explorersPanel": "<0><0>Panel de Explorers y Converters</0><1>En el lado derecho, encontrarás las herramientas para analizar y transformar tus datos.</1><2>Los <0>Explorers</0> te ayudan a visualizar datos mediante gráficos y estadísticas.</2><3>Los <0>Converters</0> te permiten transformar, limpiar y preparar tus datos.</3><4>La pestaña de Explorers ya está abierta. ¡Creemos un histograma!</4></0>",
+  "exploradorCreado": "<0><0>¡Explorador Creado!</0><1>¡Excelente! Tu Explorador de histograma ahora se está procesando.</1><2>Una vez que termine, verás la visualización aquí. Los Exploradores te ayudan a comprender los patrones y distribuciones de tus datos.</2><3><0>¡Ahora agreguemos una transformación de datos!</0></3></0>",
+  "panelExploradoresConversores": "<0><0>Panel de Exploradores y Conversores</0><1>En el lado derecho, encontrarás las herramientas para analizar y transformar tus datos.</1><2>Los <0>Exploradores</0> te ayudan a visualizar datos mediante gráficos y estadísticas.</2><3>Los <0>Conversores</0> te permiten transformar, limpiar y preparar tus datos.</3><4>La pestaña de Exploradores ya está abierta. ¡Creemos un histograma!</4></0>",
   "finalStep": "<0><0>🎉 Paso Final: Guarda Tu Trabajo</0><1>Este modal muestra todas las transformaciones que has aplicado a tu Dataset.</1><2>Dale un nombre significativo a tu nuevo conjunto de datos y haz clic en \"Guardar Dataset\" para finalizar.</2><3></3><4>¡Felicitaciones! ¡Tour Completo!</4><5>Has aprendido cómo:</5><6><0>✓ Explorar y visualizar tus datos</0><1>✓ Transformar y limpiar conjuntos de datos</1><2>✓ Guardar conjuntos de datos procesados para entrenar modelos</2></6><7><0>Siguiente: ¡Dirígete al módulo de Modelos para entrenar modelos con tus datos preparados! 🚀</0></7></0>",
-  "histogramExplorer": "<0><0>Explorer de Histogramas</0><1>El Gráfico de Histograma muestra la distribución de valores en tu Dataset.</1><2>Haz clic en \"Histogram Plot\" para agregarlo a tu notebook.</2></0>",
-  "labelEncoderConverter": "<0><0>Converter Label Encoder</0><1>El Label Encoder transforma valores de texto categóricos en códigos numéricos.</1><2>¡Esto es útil para preparar datos para modelos de aprendizaje automático!</2><3>Haz clic en \"Label Encoder\" para agregarlo.</3></0>",
-  "nanRemoverConverter": "<0><0>Converter NaN Remover</0><1>El NaN Remover ayuda a limpiar tu Dataset eliminando valores faltantes o inválidos.</1><2>¡Este es un paso esencial en la preparación de datos!</2><3>Haz clic en \"NaN Remover\" para agregarlo.</3></0>",
-  "notebookIntro": "<0><0>Interfaz del Notebook</0><1>Este Notebook está diseñado para facilitar la exploración, visualización y transformación de datos. Veamos cómo funciona su interfaz.</1></0>",
+  "histogramExplorador": "<0><0>Explorador de Histogramas</0><1>El Gráfico de Histograma muestra la distribución de valores en tu Dataset.</1><2>Haz clic en \"Gráfico de Histograma\" para agregarlo a tu cuaderno.</2></0>",
+  "labelEncoderConverter": "<0><0>Conversor Label Encoder</0><1>El Label Encoder transforma valores de texto categóricos en códigos numéricos.</1><2>¡Esto es útil para preparar datos para modelos de aprendizaje automático!</2><3>Haz clic en \"Label Encoder\" para agregarlo.</3></0>",
+  "conversorNaNRemover": "<0><0>Conversor NaN Remover</0><1>El NaN Remover ayuda a limpiar tu Dataset eliminando valores faltantes o inválidos.</1><2>¡Este es un paso esencial en la preparación de datos!</2><3>Haz clic en \"NaN Remover\" para agregarlo.</3></0>",
+  "notebookIntro": "<0><0>Interfaz del Cuaderno</0><1>Este Cuaderno está diseñado para facilitar la exploración, visualización y transformación de datos. Veamos cómo funciona su interfaz.</1></0>",
   "saveProcessedDataset": "<0><0>Guardar Dataset Procesado</0><1>Después de aplicar transformaciones, puedes guardar tus datos procesados como un nuevo Dataset.</1><2>Esto crea una copia permanente con todas tus transformaciones aplicadas, que puedes usar en el módulo de Modelos.</2><3><0>Haz clic en \"Guardar como nuevo Dataset\" para continuar.</0></3></0>",
   "selectColumns": "<0><0>Seleccionar Columnas</0><1>Selecciona qué columna(s) de tu Dataset deseas visualizar en el histograma.</1><2>Para este ejemplo, puedes <0>seleccionar cualquier columna numérica</0>. Intenta seleccionar una columna de la lista.</2><3><0>Haz clic en \"Siguiente\" cuando hayas seleccionado una columna.</0></3></0>",
   "selectColumnsClean": "<0><0>Seleccionar Columnas para Limpiar</0><1>Selecciona todas las columnas para eliminar todos los valores faltantes (NaN).</1><2><0>Haz clic en \"Guardar\" para aplicar el NaN Remover.</0></2></0>",