🌐 [translation-sync] Minor edits (replaces #100)

Author: mmcky

.translate/state/jax_intro.md.yml

@@ -1,5 +1,5 @@
-source-sha: 8d73de367a7f160dac777aa557f1c26069f84ea5
-synced-at: "2026-04-12"
+source-sha: 95378b8382b4dbd1cd3e0ffe0e152811894c357f
+synced-at: "2026-04-13"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 7

.translate/state/numba.md.yml

@@ -1,5 +1,5 @@
-source-sha: be6eeaee8db0c8bfea65b89d57ca8aecf7f96dff
-synced-at: "2026-04-12"
+source-sha: 95378b8382b4dbd1cd3e0ffe0e152811894c357f
+synced-at: "2026-04-13"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 5

.translate/state/numpy_vs_numba_vs_jax.md.yml

@@ -1,5 +1,5 @@
-source-sha: 94dd7d22385ec46d740db1fc2cddf05c29377594
-synced-at: "2026-04-12"
+source-sha: 95378b8382b4dbd1cd3e0ffe0e152811894c357f
+synced-at: "2026-04-13"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 3

lectures/jax_intro.md

@@ -31,10 +31,9 @@ translation:
     Random numbers::Why explicit random state?::NumPy's approach: رویکرد NumPy
     Random numbers::Why explicit random state?::JAX's approach: رویکرد JAX
     JIT Compilation: کامپایل JIT
-    JIT Compilation::Evaluating a more complicated function: ارزیابی یک تابع پیچیده‌تر
-    JIT Compilation::Evaluating a more complicated function::With NumPy: با NumPy
-    JIT Compilation::Evaluating a more complicated function::With JAX: با JAX
-    JIT Compilation::Compiling the whole function: کامپایل کل تابع
+    JIT Compilation::With NumPy: با NumPy
+    JIT Compilation::With JAX: با JAX
+    JIT Compilation::Compiling the Whole Function: کامپایل کل تابع
     JIT Compilation::How JIT compilation works: نحوه کار کامپایل JIT
     JIT Compilation::Compiling non-pure functions: کامپایل توابع غیرخالص
     Vectorization with `vmap`: برداری‌سازی با `vmap`
@@ -638,19 +637,15 @@ random_sum_jax(key)
 
 ما قدرت کامپایلر JIT JAX را در ترکیب با سخت‌افزار موازی {ref}`در بالا <jax_speed>` مشاهده کردیم، هنگامی که `cos` را روی یک آرایه بزرگ اعمال کردیم.
 
-بیایید همان کار را با یک تابع پیچیده‌تر امتحان کنیم.
-
-### ارزیابی یک تابع پیچیده‌تر
-
-تابع زیر را در نظر بگیرید
+بیایید همان کار را با یک تابع پیچیده‌تر امتحان کنیم:
 
 ```{code-cell}
 def f(x):
     y = np.cos(2 * x**2) + np.sqrt(np.abs(x)) + 2 * np.sin(x**4) - x**2
     return y
 ```
 
-#### با NumPy
+### با NumPy
 
 ابتدا با NumPy امتحان خواهیم کرد
 
@@ -665,7 +660,7 @@ with qe.Timer():
     y = f(x)
 ```
 
-#### با JAX
+### با JAX
 
 اکنون بیایید دوباره با JAX امتحان کنیم.
 
@@ -701,7 +696,7 @@ with qe.Timer():
 نتیجه مشابه مثال `cos` است --- JAX سریع‌تر است، به ویژه در
 اجرای دوم پس از کامپایل JIT.
 
-علاوه بر این، با JAX، ترفند دیگری در آستین داریم --- می‌توانیم *کل* تابع را JIT-کامپایل کنیم، نه فقط عملیات‌های منفرد.
+علاوه بر این، با JAX، ترفند دیگری در آستین داریم --- می‌توانیم کل تابع را JIT-کامپایل کنیم، نه فقط عملیات‌های منفرد.
 
 ### کامپایل کل تابع
 

lectures/numba.md

@@ -130,7 +130,7 @@ n = 10_000_000
 
 with qe.Timer() as timer1:
     # Time Python base version
-    x = qm(0.1, int(n))
+    x = qm(0.1, n)
 
 ```
 
@@ -158,7 +158,7 @@ qm_numba = jit(qm)
 ```{code-cell} ipython3
 with qe.Timer() as timer2:
     # Time jitted version
-    x = qm_numba(0.1, int(n))
+    x = qm_numba(0.1, n)
 ```
 
 این یک افزایش سرعت قابل توجه است.
@@ -170,7 +170,7 @@ with qe.Timer() as timer2:
 ```{code-cell} ipython3
 with qe.Timer() as timer3:
     # Second run
-    x = qm_numba(0.1, int(n))
+    x = qm_numba(0.1, n)
 ```
 
 در اینجا میزان افزایش سرعت نشان داده شده است: