diff --git a/README.es-ES.md b/README.es-ES.md
new file mode 100644
index 0000000..3ebfe27
--- /dev/null
+++ b/README.es-ES.md
@@ -0,0 +1,110 @@
+
+
+# Consejos
+
+crédito: todos los recursos correspondientes
+
+
+DE VARIOS RECURSOS
+1. H20.ai
+
+2. Tpot
+
+3. autopandas
+
+4. AutoGluon
+
+5. autosklearn
+
+6. autoviml
+
+7. autoViz
+
+8. sweetviz (para fines de EDA)
+
+9. pandasprofiling (muestra todo el EDA)
+
+10. autokeras
+
+11. pycaret
+
+12.Auto_Timeseries de auto_ts
+
+13.AutoNLP_Sentiment_Analysis de autoviml
+
+14. automl lazy predict
+
+15. bamboolib (paquete de Python para la exploración y transformación fácil de datos)
+
+16. CUPY (procesamiento paralelo de arrays en GPU)
+
+17. Dabl tiene una función incorporada que detecta automáticamente los tipos de datos y los problemas de calidad, y aplica el preprocesamiento adecuado a un conjunto de datos para prepararlo para el aprendizaje automático.
+
+18. dask (computación paralela)
+
+19. dataprep (Comprende tus datos en segundos con pocas líneas de código)
+
+20. La biblioteca Dora es otra biblioteca de análisis de datos diseñada para simplificar el análisis exploratorio de datos.
+
+21. FastAPI es un framework web moderno y rápido (de alto rendimiento) para construir APIs.
+
+22. Ajuste más rápido de hiperparámetros (sklearn-nature-inspired-algorithms)
+
+23. FlashText (Una biblioteca más rápida que las Expresiones Regulares para tareas de PLN)
+
+24. Guietta (herramienta que simplifica la creación de interfaces gráficas simples)
+
+25. hummingbird (ejecuta el código más rápido)
+
+26. memory-profiler (muestra el consumo de memoria línea por línea)
+
+27. numexpr (aumenta la velocidad de ejecución de NumPy)
+
+28. pandarallel  (herramienta simple y eficiente para paralelizar tus cálculos de pandas en todos tus CPUs)
+
+29. PDFTableExtract (por PyPDF2)
+
+30. PyImpuyte (paquete de Python que simplifica la tarea de imputar valores faltantes en grandes conjuntos de datos)
+
+31. libra (Automatiza el proceso de aprendizaje automático de extremo a extremo en una sola línea de código)
+
+32. depurar código con puyton -m pdp -c continue 
+
+33. cURL (Esta es una herramienta útil para obtener datos de cualquier servidor a través de una variedad de protocolos, incluido HTTP.)
+
+34. csvkit
+csvkit es un conjunto de herramientas de línea de comandos para trabajar con archivos CSV. 
+Las tareas que puede ejecutar se pueden dividir en tres áreas: entrada, procesamiento y salida. 
+Veamos un ejemplo rápido del mundo real de cómo puedes usar esto.
+
+35. IPython
+IPython proporciona acceso a un Python interactivo mejorado desde la terminal. 
+En esencia, significa que puedes hacer la mayoría de las cosas que puedes hacer en un Jupyter Notebook desde la línea de comandos.
+
+36. pip install faker  (Crea tu propio Conjunto de Datos)
+
+37. Depurador de Python    %pdb
+
+38. 𝚟𝚘𝚒𝚕𝚊 - De notebooks a aplicaciones web independientes y paneles de control https://voila.readthedocs.io/en/stable/  https://github.com/voila-dashboards/voila
+
+39. 𝚝𝚜𝚕𝚎𝚊𝚛𝚗  para datos de series temporales
+
+40. texthero para conjuntos de datos basados en texto en Pandas Dataframe de forma rápida y sencilla  https://github.com/jbesomi/texthero
+
+41. 𝚔𝚊𝚕𝚎𝚒𝚍𝚘 (bibliotecas de visualización basadas en web para tu Jupyter Notebook con cero dependencias)
+
+42. Vaex - Lectura y procesamiento de enormes conjuntos de datos en segundos
+
+43. Ludwig de Uber es un Marco de Trabajo de Código Abierto para Aprendizaje Automático con Poco Código (Low-Code)
+
+44. TAPAS de Google, un modelo basado en BERT para consultar tablas usando lenguaje natural
+
+45. RAPIDS  Ciencia de Datos en GPU de código abierto
+
+46. pyforest Importación perezosa (lazy-import) de todas las bibliotecas populares de Python Data Science. Deja de escribir las mismas importaciones una y otra vez.
+
+47. Modin Obtén un Pandas más rápido con Modin
+
+48. Ajuste más rápido de hiperparámetros    NatureInspiredSearchCV
+
+49. Dabl tiene una función incorporada que detecta automáticamente los tipos de datos y los problemas de calidad, y aplica el preprocesamiento adecuado a un conjunto de datos para prepararlo para el aprendizaje automático