Skip to content

🌐 [translation-sync] [functions.md] Update np.random → Generator API #118

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Open
mmcky wants to merge 2 commits into
base: main
Choose a base branch
from
+27 −23
Open

🌐 [translation-sync] [functions.md] Update np.random → Generator API #118

Show file tree
Hide file tree
Changes from all commits
Commits
Show all changes
2 commits
Select commit Hold shift + click to select a range
8dfdd04
Update translation: lectures/functions.md
mmcky May 4, 2026
ba1cf2b
Update translation: .translate/state/functions.md.yml
mmcky May 4, 2026
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
10 changes: 5 additions & 5 deletions .translate/state/functions.md.yml
View file
Open in desktop
Original file line number Diff line number Diff line change
@@ -1,6 +1,6 @@
source-sha: 1f13005646e1f9241baccf1f6e79dff1924043dd
synced-at: "2026-03-20"
model: unknown
mode: RESYNC
source-sha: 1b356ab5e60d8f6939446fd5f47c243593a2abd3
synced-at: "2026-05-04"
model: claude-sonnet-4-6
mode: UPDATE
section-count: 7
tool-version: 0.13.0
tool-version: 0.14.1
40 changes: 22 additions & 18 deletions lectures/functions.md
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -234,6 +234,7 @@ f(2, a=4, b=5)
* یک تابع می‌تواند هر نوع شیء را برگرداند، از جمله توابع.

در بخش‌های بعدی، با مثال‌هایی نشان خواهیم داد که انتقال یک تابع به یک تابع دیگر تا چه حد ساده است.

### توابع یک خطی: `lambda`

```{index} single: Python; lambda functions
Expand Down Expand Up @@ -283,16 +284,19 @@ quad(lambda x: x**3, 0, 2)

## کاربردها


### نمونه‌برداری تصادفی

دوباره به این کد از {doc}`درس قبلی <python_by_example>` نگاه کنید

```{code-cell} python3
rng = np.random.default_rng()

ts_length = 100
ϵ_values = [] # empty list

for i in range(ts_length):
e = np.random.randn()
e = rng.standard_normal()
ϵ_values.append(e)

plt.plot(ϵ_values)
Expand All @@ -313,7 +317,7 @@ plt.show()
def generate_data(n):
ϵ_values = []
for i in range(n):
e = np.random.randn()
e = rng.standard_normal()
ϵ_values.append(e)
return ϵ_values
Comment on lines 317 to 322

Expand Down Expand Up @@ -343,9 +347,9 @@ def generate_data(n, generator_type):
ϵ_values = []
for i in range(n):
if generator_type == 'U':
e = np.random.uniform(0, 1)
e = rng.uniform(0, 1)
else:
e = np.random.randn()
e = rng.standard_normal()
ϵ_values.append(e)
return ϵ_values

Expand All @@ -365,7 +369,7 @@ plt.show()

حالا، چندین راه وجود دارد که می‌توانیم کد بالا را ساده کنیم.

به عنوان مثال، می‌توانیم شرط‌ها را کاملاً حذف کنیم و فقط نوع خروجی مورد نظر را *به عنوان یک تابع* به برنامه بدهیم.
به عنوان مثال، می‌توانیم شرط‌ها را کاملاً حذف کنیم و فقط نوع خروجی مورد نظر را به عنوان یک تابع، متد، یا شیء [callable](https://typing.python.org/en/latest/spec/callables.html) دیگر به برنامه بدهیم.

برای درک این موضوع، نسخه زیر را در نظر بگیرید.

Expand All @@ -378,18 +382,18 @@ def generate_data(n, generator_type):
ϵ_values.append(e)
return ϵ_values

data = generate_data(100, np.random.uniform)
data = generate_data(100, rng.uniform)
plt.plot(data)
plt.show()
```

حالا، وقتی تابع `()generate_data` را فراخوانی می‌کنیم، `np.random.uniform` را به عنوان آرگومان دوم ارسال می‌کنیم.
حالا، وقتی تابع `()generate_data` را فراخوانی می‌کنیم، `rng.uniform` را به عنوان آرگومان دوم ارسال می‌کنیم.

این شیء یک *تابع* است.
این شیء یک *callable* است؛ یعنی شیئی که می‌توان با استفاده از پرانتز آن را فراخوانی کرد.

وقتی فراخوانی تابع `generate_data(100, np.random.uniform)` اجرا می‌شود، پایتون بلوک کد تابع را با `n` برابر با 100 و نام `generator_type` "متصل" به تابع `np.random.uniform` اجرا می‌کند.
وقتی فراخوانی تابع `generate_data(100, rng.uniform)` اجرا می‌شود، پایتون بلوک کد تابع را با `n` برابر با 100 و نام `generator_type` "متصل" به callable ای به نام `rng.uniform` اجرا می‌کند.

* در حالی که این خطوط اجرا می‌شوند، نام‌های `generator_type` و `np.random.uniform` "مترادف" هستند و می‌توانند به روش‌های یکسان استفاده شوند.
* در حالی که این خطوط اجرا می‌شوند، نام‌های `generator_type` و `rng.uniform` "مترادف" هستند و می‌توانند به روش‌های یکسان استفاده شوند.

این اصل به طور کلی هم کار می‌کند؛ به عنوان مثال، قطعه کد زیر را در نظر بگیرید:

Expand All @@ -404,7 +408,7 @@ m(7, 2, 4)

در اینجا ما نام دیگری برای تابع داخلی `()max` ایجاد کردیم که سپس می‌توانست به روش‌های یکسان استفاده شود.

در چارچوب برنامه ما، توانایی اتصال نام‌های جدید به توابع به این معنی است که هیچ مشکلی در *ارسال یک تابع به عنوان آرگومان به تابع دیگر* وجود ندارد؛همانطور که در بالا انجام دادیم.
در چارچوب برنامه ما، توانایی اتصال نام‌ها به توابع، یا به طور کلی‌تر به اشیاء callable، به این معنی است که هیچ مشکلی در ارسال یک شیء callable به عنوان آرگومان به callable دیگر وجود ندارد؛ همانطور که با `rng.uniform` در بالا انجام دادیم.

(recursive_functions)=
## فراخوانی‌ توابع بازگشتی (پیشرفته)
Expand Down Expand Up @@ -502,7 +506,7 @@ factorial(4)

[متغیر تصادفی دوجمله‌ای](https://en.wikipedia.org/wiki/Binomial_distribution) $Y \sim Bin(n, p)$ نشان‌دهنده تعداد موفقیت‌ها در $n$ آزمایش دودویی است که هر آزمایش با احتمال $p$ موفق می‌شود.

بدون هیچ import به جز `from numpy.random import uniform`، تابعی به نام `binomial_rv` بنویسید به طوری که `binomial_rv(n, p)` یک نمونه از $Y$ تولید کند.
با استفاده از `rng = np.random.default_rng()`، تابعی به نام `binomial_rv` بنویسید به طوری که `binomial_rv(n, p)` یک نمونه از $Y$ تولید کند.

```{hint}
:class: dropdown
Expand All @@ -520,12 +524,12 @@ factorial(4)
یک راه حل این است:

```{code-cell} python3
from numpy.random import uniform
rng = np.random.default_rng()

def binomial_rv(n, p):
count = 0
for i in range(n):
U = uniform()
U = rng.uniform()
if U < p:
count = count + 1 # Or count += 1
return count
Expand All @@ -550,7 +554,7 @@ binomial_rv(10, 0.5)

- اگر شیر `k` بار یا بیشتر در این دنباله ظاهر شود، یک دلار پرداخت کنید.

از هیچ import به جز `from numpy.random import uniform` استفاده نکنید.
از `rng = np.random.default_rng()` برای تولید اعداد تصادفی استفاده کنید.

```{exercise-end}
```
Expand All @@ -562,15 +566,15 @@ binomial_rv(10, 0.5)
در اینجا تابعی برای دستگاه تصادفی اول آورده شده است:

```{code-cell} python3
from numpy.random import uniform
rng = np.random.default_rng()

def draw(k): # pays if k consecutive successes in a sequence

payoff = 0
count = 0

for i in range(10):
U = uniform()
U = rng.uniform()
count = count + 1 if U < 0.5 else 0
print(count) # print counts for clarity
if count == k:
Expand All @@ -590,7 +594,7 @@ def draw_new(k): # pays if k successes in a sequence
count = 0

for i in range(10):
U = uniform()
U = rng.uniform()
count = count + ( 1 if U < 0.5 else 0 )
print(count)
if count == k:
Expand Down
Loading