updates

Author: HumphreyYang

lectures/cake_eating_numerical.md

@@ -67,7 +67,7 @@ v(x) = \max_{0\leq c \leq x} \{u(c) + \beta v(x-c)\}
 
 我们将采用的第一种方法是**值函数迭代**。
 
-这是一种**连续逼近**的方法，在我们的{doc}`求职搜索讲座 <mccall_model>`中已经讨论过。
+这是一种**连续逼近**的方法，在我们的{doc}`工作搜寻讲座 <mccall_model>`中已经讨论过。
 
 基本思路是：
 
@@ -105,7 +105,7 @@ $$
 
 但这意味着我们必须在无限多个$x$处存储$T^n v(x)$，这通常是不可能的。
 
-为了解决这个问题，我们将使用拟合值函数迭代，这在之前关于{doc}`求职搜索的讲座 <mccall_fitted_vfi>`中已经讨论过。
+为了解决这个问题，我们将使用拟合值函数迭代，这在之前关于{doc}`工作搜寻的讲座 <mccall_fitted_vfi>`中已经讨论过。
 
 这个过程如下：
 

lectures/career.md

@@ -18,7 +18,7 @@ kernelspec:
 </div>
 ```
 
-# 求职搜索 V：职业选择建模
+# 工作搜寻 V：职业选择建模
 
 ```{index} single: Modeling; Career Choice
 ```

lectures/jv.md

@@ -18,7 +18,7 @@ kernelspec:
 </div>
 ```
 
-# {index}`求职搜索 VI：在职搜索 <single: Job Search VI: On-the-Job Search>`
+# {index}`工作搜寻 VI：在职搜索 <single: Job Search VI: On-the-Job Search>`
 
 ```{index} single: Models; On-the-Job Search
 ```

lectures/mccall_correlated.md

@@ -17,7 +17,7 @@ kernelspec:
 </div>
 ```
 
-# 求职搜索 IV：相关工资报价
+# 工作搜寻 IV：相关工资报价
 
 ```{contents} 目录
 :depth: 2
@@ -34,7 +34,7 @@ tags: [hide-output]
 
 ## 概述
 
-在本讲座中，我们求解一个工资报价由持续性和暂时性成分组成的{doc}`McCall求职搜索模型 <mccall_model>`。
+在本讲座中，我们求解一个工资报价由持续性和暂时性成分组成的{doc}`McCall工作搜寻模型 <mccall_model>`。
 
 换句话说，我们放宽了工资随机性在时间上独立的假设。
 

lectures/mccall_model.md

@@ -18,7 +18,7 @@ kernelspec:
 </div>
 ```
 
-# 求职搜索 I: McCall搜寻模型
+# 工作搜寻 I: McCall搜寻模型
 
 ```{contents} 目录
 :depth: 2

lectures/mccall_model_with_separation.md

@@ -18,9 +18,9 @@ kernelspec:
 </div>
 ```
 
-# 求职搜索 II：搜寻与离职
+# 工作搜寻 II：搜寻与离职
 
-```{index} single: 求职搜索导论
+```{index} single: 工作搜寻导论
 ```
 
 ```{contents} 目录
@@ -38,7 +38,7 @@ tags: [hide-output]
 
 ## 概述
 
-在{doc}`之前的讲座 <mccall_model>`中，我们研究了McCall求职搜索模型 {cite}`McCall1970`作为理解失业和劳动者决策的一种方式。
+在{doc}`之前的讲座 <mccall_model>`中，我们研究了McCall工作搜寻模型 {cite}`McCall1970`作为理解失业和劳动者决策的一种方式。
 
 该模型的一个不现实特征是每份工作都是永久性的。
 
@@ -69,7 +69,7 @@ from quantecon.distributions import BetaBinomial
 
 ## 模型
 
-该模型与{doc}`基础McCall求职搜索模型 <mccall_model>`类似。
+该模型与{doc}`基础McCall工作搜寻模型 <mccall_model>`类似。
 
 它关注一个无限期生存的劳动者的生活，以及：
 
@@ -124,7 +124,7 @@ from quantecon.distributions import BetaBinomial
 然后过程重复。
 
 ```{note}
-我们不允许在就业期间进行求职搜索---这个主题将在{doc}`后续讲座 <jv>`中讨论。
+我们不允许在就业期间进行工作搜寻---这个主题将在{doc}`后续讲座 <jv>`中讨论。
 ```
 
 ## 求解模型
@@ -253,7 +253,7 @@ $$
 
 ### 求解贝尔曼方程
 
-我们将使用与{doc}`第一个求职搜索讲座 <mccall_model>`中相同的迭代方法来求解贝尔曼方程。
+我们将使用与{doc}`第一个工作搜寻讲座 <mccall_model>`中相同的迭代方法来求解贝尔曼方程。
 
 这里这包括：
 
@@ -445,7 +445,7 @@ def compute_reservation_wage(mcm):
 
 正如预期的那样，更高的失业补偿导致劳动者等待更高的工资。
 
-实际上，继续求职搜索的成本降低了。
+实际上，继续工作搜寻的成本降低了。
 
 ### 保留工资和贴现
 

lectures/mccall_q.md

@@ -11,7 +11,7 @@ kernelspec:
   name: python3
 ---
 
-# 求职搜索 VII：McCall劳动者的Q学习
+# 工作搜寻 VII：McCall劳动者的Q学习
 
 ## 概述
 
@@ -676,7 +676,7 @@ plot_epochs(epochs_to_plot=[100, 1000, 10000, 100000, 200000])
 
 我们之前讨论的时序差分Q-learning版本（见方程{eq}`eq:old4`）允许已就业的劳动者辞去当前工作，从而在当期获得失业补助，并在下期有机会获得新的工作offer。
 
-这一选项在{doc}`标准McCall模型<mccall_model>`中并不存在，正如{cite}`Ljungqvist2012`第6章中关于求职搜索的分析所证明的那样。
+这一选项在{doc}`标准McCall模型<mccall_model>`中并不存在，正如{cite}`Ljungqvist2012`第6章中关于工作搜寻的分析所证明的那样。
 
 然而，从学习算法的角度看，允许辞职选项实际上有助于加速学习过程。这是因为辞职选项促进了状态空间的探索，避免了过早地固定在某一决策上（即过早利用而非探索）。
 

lectures/odu.md

@@ -18,7 +18,7 @@ kernelspec:
 </div>
 ```
 
-# 求职搜索 VII: 带学习的搜索
+# 工作搜寻 VII: 带学习的搜索
 
 ```{contents} 目录
 :depth: 2