diff --git a/.translate/state/autodiff.md.yml b/.translate/state/autodiff.md.yml
index a0fb3c0..53a3418 100644
--- a/.translate/state/autodiff.md.yml
+++ b/.translate/state/autodiff.md.yml
@@ -1,6 +1,6 @@
-source-sha: 05ce95691fd97e48da39dd6d58fe032c03e8813d
-synced-at: "2026-04-08"
-model: claude-sonnet-4-6
-mode: NEW
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-18"
+model: claude-sonnet-5
+mode: UPDATE
 section-count: 5
-tool-version: 0.22.0
+tool-version: 0.26.0
diff --git a/.translate/state/numpy.md.yml b/.translate/state/numpy.md.yml
index 06cf199..054067f 100644
--- a/.translate/state/numpy.md.yml
+++ b/.translate/state/numpy.md.yml
@@ -1,6 +1,6 @@
-source-sha: aacff3815993e8bea8db7b63df72a0a038e220c1
-synced-at: "2026-08-05"
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-18"
 model: claude-sonnet-5
 mode: UPDATE
 section-count: 8
-tool-version: 0.25.0
+tool-version: 0.26.0
diff --git a/.translate/state/pandas.md.yml b/.translate/state/pandas.md.yml
index 322727c..53a3418 100644
--- a/.translate/state/pandas.md.yml
+++ b/.translate/state/pandas.md.yml
@@ -1,4 +1,4 @@
-source-sha: 55c87c9fdbdb522866c5b6bbdc65c073941d7f16
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
 synced-at: "2026-08-18"
 model: claude-sonnet-5
 mode: UPDATE
diff --git a/.translate/state/pandas_panel.md.yml b/.translate/state/pandas_panel.md.yml
index e721191..2069697 100644
--- a/.translate/state/pandas_panel.md.yml
+++ b/.translate/state/pandas_panel.md.yml
@@ -1,6 +1,6 @@
-source-sha: 4cacd9a2d34a306abeb9383dbbe08be02e29011d
-synced-at: "2026-07-17"
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-18"
 model: claude-sonnet-5
 mode: UPDATE
 section-count: 6
-tool-version: 0.16.1
+tool-version: 0.26.0
diff --git a/.translate/state/polars.md.yml b/.translate/state/polars.md.yml
index 81b3af0..2069697 100644
--- a/.translate/state/polars.md.yml
+++ b/.translate/state/polars.md.yml
@@ -1,4 +1,4 @@
-source-sha: 55c87c9fdbdb522866c5b6bbdc65c073941d7f16
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
 synced-at: "2026-08-18"
 model: claude-sonnet-5
 mode: UPDATE
diff --git a/.translate/state/python_by_example.md.yml b/.translate/state/python_by_example.md.yml
index 36f469d..2069697 100644
--- a/.translate/state/python_by_example.md.yml
+++ b/.translate/state/python_by_example.md.yml
@@ -1,6 +1,6 @@
-source-sha: aacff3815993e8bea8db7b63df72a0a038e220c1
-synced-at: "2026-08-05"
+source-sha: d35eb831da23a763f43d403e96f20d43529cae53
+synced-at: "2026-08-18"
 model: claude-sonnet-5
 mode: UPDATE
 section-count: 6
-tool-version: 0.25.0
+tool-version: 0.26.0
diff --git a/lectures/autodiff.md b/lectures/autodiff.md
index e83bebe..905d72c 100644
--- a/lectures/autodiff.md
+++ b/lectures/autodiff.md
@@ -32,7 +32,6 @@ translation:
 
 # ماجراهایی با مشتق‌گیری خودکار
 
-
 ```{include} _admonition/gpu.md
 ```
 
@@ -355,11 +354,11 @@ def grad_descent(f,       # Function to be minimized
 ```{code-cell} ipython3
 n = 100
 key = jax.random.key(1234)
-x = jax.random.uniform(key, (n,))
+key, x_key, ϵ_key = jax.random.split(key, 3)
+x = jax.random.uniform(x_key, (n,))
 
 α, β, σ = 0.5, 1.0, 0.1  # Set the true intercept and slope.
-key, subkey = jax.random.split(key)
-ϵ = jax.random.normal(subkey, (n,))
+ϵ = jax.random.normal(ϵ_key, (n,))
 
 y = α * x + β + σ * ϵ
 ```
@@ -519,4 +518,4 @@ plt.show()
 ```
 
 ```{solution-end}
-```
\ No newline at end of file
+```
diff --git a/lectures/numpy.md b/lectures/numpy.md
index f98a956..e38a3f0 100644
--- a/lectures/numpy.md
+++ b/lectures/numpy.md
@@ -1255,7 +1255,11 @@ class DiscreteRV:
     def __init__(self, q, seed=None):
         """
         آرگومان q یک آرایه NumPy است، یا شبیه آرایه، غیر منفی و جمع
-        به 1 می‌شود
+        به 1 می‌شود.
+
+        آرگومان seed دانه تولیدکننده اعداد تصادفی زیربنایی را تنظیم
+        می‌کند؛ با مقدار پیش‌فرض seed=None، نمونه‌ها بین اجراهای
+        مختلف قابل بازتولید نیستند.
         """
         self.q = q
         self.Q = cumsum(q)
@@ -1431,7 +1435,7 @@ print(A)
 
 **قسمت 2**: به سمت تکرار نتیجه عملیات broadcasting زیر حرکت کنید. در عین حال، سرعت broadcasting و حلقه `for` که پیاده‌سازی می‌کنید را مقایسه کنید.
 
-برای این قسمت از تمرین می‌توانید از توابع `tic`/`toc` از کتابخانه `quantecon` برای زمان‌سنجی اجرا استفاده کنید.
+برای این قسمت از تمرین می‌توانید از context manager به نام `qe.Timer()` از کتابخانه `quantecon` برای زمان‌سنجی اجرا استفاده کنید.
 
 بیایید مطمئن شویم که این کتابخانه نصب شده است.
 
diff --git a/lectures/pandas.md b/lectures/pandas.md
index ea20062..4225cc3 100644
--- a/lectures/pandas.md
+++ b/lectures/pandas.md
@@ -100,7 +100,8 @@ import requests
 با ایجاد یک سری از چهار مشاهده تصادفی شروع می‌کنیم
 
 ```{code-cell} ipython3
-s = pd.Series(np.random.randn(4), name='daily returns')
+rng = np.random.default_rng()
+s = pd.Series(rng.standard_normal(4), name='daily returns')
 s
 ```
 
diff --git a/lectures/pandas_panel.md b/lectures/pandas_panel.md
index b349146..260f9db 100644
--- a/lectures/pandas_panel.md
+++ b/lectures/pandas_panel.md
@@ -81,7 +81,7 @@ sns.set_theme()
 مجموعه داده با لینک زیر قابل دسترسی است:
 
 ```{code-cell} ipython3
-url1 = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/realwage.csv'
+url1 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/realwage.csv'
 ```
 
 ```{code-cell} ipython3
@@ -183,7 +183,7 @@ realwage_f.head()
 مجموعه داده با لینک زیر قابل دسترسی است:
 
 ```{code-cell} ipython3
-url2 = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/countries.csv'
+url2 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/countries.csv'
 ```
 
 ```{code-cell} ipython3
@@ -451,7 +451,7 @@ plt.show()
 مجموعه داده با لینک زیر قابل دسترسی است:
 
 ```{code-cell} ipython3
-url3 = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/employ.csv'
+url3 = 'https://raw.githubusercontent.com/QuantEcon/data-lectures/main/lectures/employ.csv'
 ```
 
 خواندن فایل CSV یک مجموعه داده پانلی در فرمت طولانی را برمی‌گرداند. از `.pivot_table()` برای ساخت یک dataframe با فرمت عریض با یک `MultiIndex` در ستون‌ها استفاده کنید.
diff --git a/lectures/polars.md b/lectures/polars.md
index ebe2714..abd4378 100644
--- a/lectures/polars.md
+++ b/lectures/polars.md
@@ -95,7 +95,8 @@ import matplotlib.pyplot as plt
 ابتدا سری‌ای از چهار مشاهده تصادفی می‌سازیم
 
 ```{code-cell} ipython3
-s = pl.Series(name='daily returns', values=np.random.randn(4))
+rng = np.random.default_rng()
+s = pl.Series(name='daily returns', values=rng.standard_normal(4))
 s
 ```
 
@@ -131,7 +132,7 @@ s.describe()
 ```{code-cell} ipython3
 df = pl.DataFrame({
     'company': ['AMZN', 'AAPL', 'MSFT', 'GOOG'],
-    'daily returns': np.random.randn(4)
+    'daily returns': rng.standard_normal(4)
 })
 df
 ```
@@ -358,7 +359,9 @@ plt.show()
 
 ```{code-cell} ipython3
 # Reload the dataset
-url = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/test_pwt.csv'
+url = ('https://raw.githubusercontent.com/QuantEcon/'
+       'lecture-python-programming/main/lectures/_static/'
+       'lecture_specific/pandas/data/test_pwt.csv')
 df_full = pl.read_csv(url)
 ```
 
@@ -434,7 +437,9 @@ import pandas as pd
 import time
 
 # Small dataset -- Penn World Tables (~8 rows)
-url = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/test_pwt.csv'
+url = ('https://raw.githubusercontent.com/QuantEcon/'
+       'lecture-python-programming/main/lectures/_static/'
+       'lecture_specific/pandas/data/test_pwt.csv')
 small_pd = pd.read_csv(url)
 small_pl = pl.read_csv(url)
 ```
@@ -696,7 +701,7 @@ ticker = read_data_polars(ticker_list)
 
 ```{code-cell} ipython3
 price_change = ticker.select([
-    ((pl.col(tick).last() / pl.col(tick).first() - 1) * 100)
+    ((pl.col(tick).drop_nulls().last() / pl.col(tick).drop_nulls().first() - 1) * 100)
     .alias(tick)
     for tick in ticker_list.keys()
 ]).transpose(
diff --git a/lectures/python_by_example.md b/lectures/python_by_example.md
index 27490b5..b3cfd71 100644
--- a/lectures/python_by_example.md
+++ b/lectures/python_by_example.md
@@ -186,16 +186,19 @@ sqrt(4)
 
 ### نمونه گیری تصادفی
 
-بیاید به کدی که نویز سفید رسم می کند برگردیم. سه خط بعد از دستور Import به این صورت هستند:
+بیاید به کدی که نویز سفید رسم می کند برگردیم. چهار خط بعد از دستور Import به این صورت هستند:
 
 ```{code-cell} ipython
+rng = np.random.default_rng()
 ϵ_values = rng.standard_normal(100)
 plt.plot(ϵ_values)
 plt.show()
 ```
-خط اول 100 عدد نرمال استاندارد (تقریبا) مستقل تولید می کند و آن ها را در متغیر `ϵ_values` ذخیره می کند.
+خط اول یک تولیدکننده عدد تصادفی به نام `rng` می سازد.
+
+خط دوم 100 عدد نرمال استاندارد (تقریبا) مستقل تولید می کند و آن ها را در متغیر `ϵ_values` ذخیره می کند.
 
-دو خط بعدی نمودار را رسم می کنند.
+دو خط آخر نمودار را رسم می کنند.
 
 در ادامه، روش های مختلفی را بررسی خواهیم کرد تا بتوانیم این نمودار را بهتر تنظیم و بهینه سازی کنیم.