🌐 [translation-sync] [numpy.md] Update np.random → Generator API (#122)

* Update translation: lectures/numpy.md

* Update translation: .translate/state/numpy.md.yml

Author: mmcky

.translate/state/numpy.md.yml

@@ -1,6 +1,6 @@
-source-sha: cc9c3256dc35bd277cb25d0089f0a0452c0fa94e
-synced-at: "2026-03-20"
-model: unknown
-mode: RESYNC
+source-sha: a2b929f15e703b6942e8b80a29011c51f234b1e0
+synced-at: "2026-05-13"
+model: claude-sonnet-4-6
+mode: UPDATE
 section-count: 8
-tool-version: 0.13.0
+tool-version: 0.15.0

lectures/numpy.md

@@ -238,8 +238,6 @@ z
 
 برای خواندن داده‌های آرایه از یک فایل متنی حاوی داده‌های عددی، از `np.loadtxt` استفاده کنید --- برای جزئیات به [مستندات](https://numpy.org/doc/stable/reference/routines.io.html) مراجعه کنید.
 
-
-
 ### نمایه‌گذاری آرایه
 
 ```{index} single: NumPy; Arrays (Indexing)
@@ -400,7 +398,6 @@ z
 z.searchsorted(2.2)
 ```
 
-
 ## عملیات حسابی
 
 ```{index} single: NumPy; Arithmetic Operations
@@ -449,7 +446,6 @@ A * B
 (numpy_matrix_multiplication)=
 به ویژه، `A * B` حاصل‌ضرب ماتریسی *نیست*، بلکه یک حاصل‌ضرب عنصر به عنصر است.
 
-
 ## ضرب ماتریسی
 
 ```{index} single: NumPy; Matrix Multiplication
@@ -852,8 +848,6 @@ ax.text(11, 7.0, '?', size=16, ha='center', va='center');
     - طبق *مرحله 2*، `b` به `b -> (2, 2, 2)` گسترش خواهد یافت؛
     - می‌بینیم که پس از دو مرحله اول، آن‌ها با یکدیگر مطابقت ندارند. بنابراین، یک `ValueError` ایجاد خواهد شد
 
-
-
 ## قابلیت تغییر و کپی کردن آرایه‌ها
 
 آرایه‌های NumPy انواع داده قابل تغییر هستند، مانند لیست‌های Python.
@@ -865,7 +859,6 @@ ax.text(11, 7.0, '?', size=16, ha='center', va='center');
 
 در این بخش برخی از موضوعات کلیدی را بررسی می‌کنیم.
 
-
 ### قابلیت تغییر
 
 قبلاً نمونه‌هایی از قابلیت تغییر را در بالا دیدیم.
@@ -885,7 +878,8 @@ a
 قابلیت تغییر منجر به رفتار زیر می‌شود (که می‌تواند برای برنامه‌نویسان MATLAB شوکه‌کننده باشد...)
 
 ```{code-cell} python3
-a = np.random.randn(3)
+rng = np.random.default_rng()
+a = rng.standard_normal(3)
 a
 ```
 
@@ -915,7 +909,7 @@ a
 این کار می‌تواند با استفاده از `np.copy` انجام شود
 
 ```{code-cell} python3
-a = np.random.randn(3)
+a = rng.standard_normal(3)
 a
 ```
 
@@ -937,14 +931,10 @@ a
 
 توجه کنید که تغییر در `b` بر `a` تأثیر نگذاشته است.
 
-
-
-
 ## ویژگی‌های اضافی
 
 بیایید نگاهی به برخی ویژگی‌های مفید دیگر NumPy بیندازیم.
 
-
 ### توابع جهانی
 
 ```{index} single: NumPy; Vectorized Functions
@@ -993,7 +983,7 @@ def f(x):
 تابع NumPy `np.where` یک جایگزین برداری شده ارائه می‌دهد:
 
 ```{code-cell} python3
-x = np.random.randn(4)
+x = rng.standard_normal(4)
 x
 ```
 
@@ -1012,7 +1002,6 @@ f(x)                # ارسال همان بردار x مانند مثال قب
 
 (بعداً خواهیم دید که JAX یک نسخه قدرتمند از `np.vectorize` دارد که می‌تواند و معمولاً کد بسیار کارآمدی تولید می‌کند.)
 
-
 ### مقایسه‌ها
 
 ```{index} single: NumPy; Comparisons
@@ -1070,11 +1059,12 @@ z[z > 3]
 NumPy برخی از قابلیت‌های اضافی مرتبط با برنامه‌نویسی علمی را
 از طریق بسته‌های فرعی خود ارائه می‌دهد.
 
-قبلاً دیده‌ایم که چگونه می‌توانیم با استفاده از np.random متغیرهای تصادفی تولید کنیم
+قبلاً دیده‌ایم که چگونه می‌توانیم با استفاده از
+[`Generator` تصادفی](https://numpy.org/doc/stable/reference/random/generator.html#random-generator) NumPy متغیرهای تصادفی تولید کنیم.
 
 ```{code-cell} python3
-z = np.random.randn(10000)  # تولید توزیع نرمال استاندارد
-y = np.random.binomial(10, 0.5, size=1000)    # 1000 نمونه از Bin(10, 0.5)
+z = rng.standard_normal(10000)  # تولید توزیع نرمال استاندارد
+y = rng.binomial(10, 0.5, size=1000)    # 1000 نمونه از Bin(10, 0.5)
 y.mean()
 ```
 
@@ -1102,7 +1092,6 @@ np.linalg.inv(A)           # محاسبه معکوس
 
 برای فهرست جامعی از آنچه در NumPy موجود است به [این مستندات](https://numpy.org/doc/stable/reference/routines.html) مراجعه کنید.
 
-
 ### چندنخی ضمنی
 
 [قبلاً](need_for_speed) مفهوم موازی‌سازی از طریق چندنخی را مورد بحث قرار دادیم.
@@ -1119,7 +1108,7 @@ NumPy سعی می‌کند چندنخی را در بسیاری از کد کام
 n = 20
 m = 1000
 for i in range(n):
-    X = np.random.randn(m, m)
+    X = rng.standard_normal((m, m))
     λ = np.linalg.eigvals(X)
 ```
 
@@ -1135,10 +1124,6 @@ for i in range(n):
 این به این دلیل است که روتین `eigvals` NumPy به زیبایی وظایف را تقسیم می‌کند و
 آن‌ها را به نخ‌های مختلف توزیع می‌کند.
 
-
-
-
-
 ## تمرین‌ها
 
 
@@ -1260,28 +1245,28 @@ def sample(q):
 
 ```{code-cell} python3
 from numpy import cumsum
-from numpy.random import uniform
 
 class DiscreteRV:
     """
     یک آرایه از نمونه‌ها را از یک متغیر تصادفی گسسته با بردار
     احتمالات داده شده توسط q تولید می‌کند.
     """
 
-    def __init__(self, q):
+    def __init__(self, q, seed=None):
         """
         آرگومان q یک آرایه NumPy است، یا شبیه آرایه، غیر منفی و جمع
         به 1 می‌شود
         """
         self.q = q
         self.Q = cumsum(q)
+        self.rng = np.random.default_rng(seed)
 
     def draw(self, k=1):
         """
         k نمونه از q برمی‌گرداند. برای هر چنین نمونه‌ای، مقدار i با
         احتمال q[i] برگردانده می‌شود.
         """
-        return self.Q.searchsorted(uniform(0, 1, size=k))
+        return self.Q.searchsorted(self.rng.uniform(0, 1, size=k))
 ```
 
 منطق واضح نیست، اما اگر وقت خود را بگذارید و آن را به آرامی بخوانید،
@@ -1407,7 +1392,8 @@ class ECDF:
 
 ```{code-cell} python3
 fig, ax = plt.subplots()
-X = np.random.randn(1000)
+rng = np.random.default_rng()
+X = rng.standard_normal(1000)
 F = ECDF(X)
 F.plot(ax)
 ```
@@ -1428,9 +1414,9 @@ F.plot(ax)
 
 ```{code-cell} python3
 
-np.random.seed(123)
-x = np.random.randn(4, 4)
-y = np.random.randn(4)
+rng = np.random.default_rng(123)
+x = rng.standard_normal((4, 4))
+y = rng.standard_normal(4)
 A = x / y
 ```
 
@@ -1458,9 +1444,9 @@ print(A)
 
 ```{code-cell} python3
 
-np.random.seed(123)
-x = np.random.randn(1000, 100, 100)
-y = np.random.randn(100)
+rng = np.random.default_rng(123)
+x = rng.standard_normal((1000, 100, 100))
+y = rng.standard_normal(100)
 
 with qe.Timer("Broadcasting operation"):
     B = x / y
@@ -1486,9 +1472,9 @@ print(B)
 **راه‌حل قسمت 1**
 
 ```{code-cell} python3
-np.random.seed(123)
-x = np.random.randn(4, 4)
-y = np.random.randn(4)
+rng = np.random.default_rng(123)
+x = rng.standard_normal((4, 4))
+y = rng.standard_normal(4)
 
 C = np.empty_like(x)
 n = len(x)
@@ -1517,9 +1503,9 @@ print(np.array_equal(A, C))
 
 ```{code-cell} python3
 
-np.random.seed(123)
-x = np.random.randn(1000, 100, 100)
-y = np.random.randn(100)
+rng = np.random.default_rng(123)
+x = rng.standard_normal((1000, 100, 100))
+y = rng.standard_normal(100)
 
 with qe.Timer("For loop operation"):
     D = np.empty_like(x)
@@ -1546,4 +1532,4 @@ print(np.array_equal(B, D))
 ```
 
 ```{solution-end}
-```
+```