diff --git a/lectures/workspace.md b/lectures/workspace.md
new file mode 100644
index 0000000..394806f
--- /dev/null
+++ b/lectures/workspace.md
@@ -0,0 +1,378 @@
+---
+jupytext:
+  text_representation:
+    extension: .md
+    format_name: myst
+    format_version: 0.13
+    jupytext_version: 1.17.2
+kernelspec:
+  name: python3
+  display_name: Python 3 (ipykernel)
+  language: python
+heading-map:
+  overview: مروری کلی
+  working-with-python-files-: کار با فایل‌های Python
+  development-environments: محیط‌های توسعه
+  a-step-forward-from-jupyter-notebooks-jupyterlab: 'یک قدم جلوتر از Jupyter Notebooks: JupyterLab'
+  using-magic-commands: استفاده از دستورات جادویی
+  using-the-terminal: استفاده از ترمینال
+  a-walk-through-visual-studio-code: گشت و گذاری در Visual Studio Code
+  using-the-run-button: استفاده از دکمه run
+  git-your-hands-dirty: Git را امتحان کنید
+---
+
+(workspace)=
+```{raw} jupyter
+<div id="qe-notebook-header" align="right" style="text-align:right;">
+        <a href="https://quantecon.org/" title="quantecon.org">
+                <img style="width:250px;display:inline;" width="250px" src="https://assets.quantecon.org/img/qe-menubar-logo.svg" alt="QuantEcon">
+        </a>
+</div>
+```
+
+# نوشتن برنامه‌های طولانی‌تر
+
+## مروری کلی
+
+تا کنون، استفاده از Jupyter Notebooks را در نوشتن و اجرای کد Python بررسی کرده‌ایم.
+
+در حالی که آنها هنگام کار با قطعات کوچک کد کارآمد و سازگار هستند، Notebooks بهترین انتخاب برای برنامه‌ها و اسکریپت‌های طولانی‌تر نیستند.
+
+Jupyter Notebooks برای محاسبات تعاملی (یعنی گردش کارهای علم داده) مناسب هستند و می‌توانند به اجرای قطعات کد یکی یکی کمک کنند.
+
+فایل‌های متنی و اسکریپت‌ها امکان نوشتن و اجرای قطعات بلند کد را به یکباره فراهم می‌کنند.
+
+ما استفاده از اسکریپت‌های Python را به عنوان یک جایگزین بررسی خواهیم کرد.
+
+سپس محیط‌های توسعه Jupyter Lab و Visual Studio Code (VS Code) به همراه یک آشنایی مقدماتی با کنترل نسخه (Git) معرفی می‌شوند.
+
+در این سخنرانی، شما یاد خواهید گرفت که
+- با اسکریپت‌های Python کار کنید
+- محیط‌های توسعه مختلف را راه‌اندازی کنید
+- با GitHub شروع کنید
+
+```{note}
+از این به بعد، فرض بر این است که شما یک محیط Anaconda آماده و در حال اجرا دارید.
+
+اگر هنوز این کار را نکرده‌اید، ممکن است بخواهید [یک محیط conda جدید ایجاد کنید](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html#creating-an-environment-with-commands).
+```
+
+## کار با فایل‌های Python
+
+فایل‌های Python هنگام نوشتن بلوک‌های بلند و قابل استفاده مجدد کد استفاده می‌شوند - طبق قرارداد، آنها پسوند `.py` دارند.
+
+بیایید با کار با مثال زیر شروع کنیم.
+
+```{code-cell} ipython3
+:caption: sine_wave.py
+:lineno-start: 1
+
+import matplotlib.pyplot as plt
+import numpy as np
+
+x = np.linspace(0, 10, 100)
+y = np.sin(x)
+
+plt.plot(x, y)
+plt.xlabel('x')
+plt.ylabel('y')
+plt.title('Sine Wave')
+plt.show()
+```
+
+از آنجا که راه‌های مختلفی برای اجرای کد وجود دارد، ما آنها را در زمینه محیط‌های توسعه مختلف بررسی خواهیم کرد.
+
+یکی از مزایای اصلی استفاده از اسکریپت‌های Python در این واقعیت نهفته است که می‌توانید قابلیت‌ها را از اسکریپت‌های دیگر به اسکریپت فعلی یا Jupyter Notebook خود "import" کنید.
+
+بیایید کد قبلی را به یک تابع بازنویسی کنیم و آن را در فایلی به نام `sine_wave.py` بنویسیم.
+
+```{code-cell} ipython3
+:caption: sine_wave.py
+:lineno-start: 1
+
+%%writefile sine_wave.py
+
+import matplotlib.pyplot as plt
+import numpy as np
+
+# Define the plot_wave function.
+def plot_wave(title : str = 'Sine Wave'):
+  x = np.linspace(0, 10, 100)
+  y = np.sin(x)
+
+  plt.plot(x, y)
+  plt.xlabel('x')
+  plt.ylabel('y')
+  plt.title(title)
+  plt.show()
+```
+
+```{code-cell} ipython3
+:caption: second_script.py
+:lineno-start: 1
+
+import sine_wave # Import the sine_wave script
+ 
+# Call the plot_wave function.
+sine_wave.plot_wave("Sine Wave - Called from the Second Script")
+```
+
+این به شما امکان می‌دهد کد خود را به قطعات تقسیم کرده و پایگاه کد خود را بهتر ساختار دهید.
+
+برای اطلاعات بیشتر در مورد import کردن قابلیت‌ها، به استفاده از [ماژول‌ها](https://docs.python.org/3/tutorial/modules.html) و [بسته‌ها](https://docs.python.org/3/tutorial/modules.html#packages) نگاه کنید.
+
+## محیط‌های توسعه
+
+یک محیط توسعه یک فضای کاری یکپارچه است که در آن می‌توانید
+- کد خود را ویرایش و اجرا کنید
+- تست و اشکال‌زدایی کنید
+- فایل‌های پروژه را مدیریت کنید
+
+این سخنرانی شما را با نحوه کار دو محیط توسعه آشنا می‌کند.
+
+## یک قدم جلوتر از Jupyter Notebooks: JupyterLab
+
+JupyterLab یک محیط توسعه مبتنی بر مرورگر برای Jupyter Notebooks، اسکریپت‌های کد و فایل‌های داده است.
+
+اگر می‌خواهید قبل از نصب محلی آن را آزمایش کنید، می‌توانید [JupyterLab را در مرورگر امتحان کنید](https://jupyter.org/try-jupyter/lab/).
+
+می‌توانید JupyterLab را با استفاده از pip نصب کنید
+
+```
+> pip install jupyterlab
+``` 
+
+و آن را در مرورگر، مشابه Jupyter Notebooks، راه‌اندازی کنید.
+
+```
+> jupyter-lab
+```
+
+```{figure} /_static/lecture_specific/workspace/jupyter_lab_cmd.png
+:figclass: auto
+```
+
+می‌بینید که Jupyter Server در حال اجرا روی پورت 8888 بر روی localhost است.
+
+رابط کاربری زیر باید به طور خودکار در مرورگر پیش‌فرض شما باز شود - در غیر این صورت، CTRL + Click روی URL سرور.
+
+```{figure} /_static/lecture_specific/workspace/jupyter_lab.png
+:figclass: auto
+```
+
+روی موارد زیر کلیک کنید
+
+- دکمه Python 3 (ipykernel) در زیر Notebooks برای باز کردن یک Jupyter Notebook جدید
+- دکمه Python File برای باز کردن یک اسکریپت Python جدید (.py)
+
+همیشه می‌توانید این تب راه‌انداز را با کلیک بر روی دکمه '+' در بالا باز کنید.
+
+تمام فایل‌ها و پوشه‌ها در دایرکتوری کاری شما را می‌توان در File Browser (تب سمت چپ) یافت.
+
+می‌توانید با استفاده از دکمه‌های موجود در بالای تب File Browser، فایل‌ها و پوشه‌های جدید ایجاد کنید.
+
+```{figure} /_static/lecture_specific/workspace/file_browser.png
+:figclass: auto
+```
+می‌توانید با مراجعه به تب Extensions، افزونه‌هایی را نصب کنید که قابلیت‌های JupyterLab را افزایش می‌دهند.
+
+```{figure} /_static/lecture_specific/workspace/extensions.png
+:figclass: auto
+```
+برگشت به اسکریپت‌های مثال قبلی، دو راه برای کار با آنها در JupyterLab وجود دارد.
+
+- استفاده از دستورات جادویی
+- استفاده از ترمینال
+
+### استفاده از دستورات جادویی
+
+Jupyter Notebooks و JupyterLab از استفاده از [دستورات جادویی](https://ipython.readthedocs.io/en/stable/interactive/magics.html) پشتیبانی می‌کنند - دستوراتی که قابلیت‌های یک Jupyter Notebook استاندارد را گسترش می‌دهند.
+
+دستور جادویی `%run` به شما امکان می‌دهد یک اسکریپت Python را از درون یک Notebook اجرا کنید.
+
+این یک راه راحت برای اجرای اسکریپت‌هایی است که در همان دایرکتوری Notebook خود روی آنها کار می‌کنید و خروجی‌ها را در داخل Notebook ارائه می‌دهید.
+
+```{figure} /_static/lecture_specific/workspace/jupyter_lab_py_run.png
+:figclass: auto
+```
+
+### استفاده از ترمینال
+
+با این حال، اگر فقط به دنبال اجرای فایل `.py` هستید، گاهی اوقات استفاده از ترمینال آسان‌تر است.
+
+از راه‌انداز یک ترمینال باز کنید و دستور زیر را اجرا کنید.
+
+```
+> python <path to file.py>
+``` 
+
+```{figure} /_static/lecture_specific/workspace/jupyter_lab_py_run_term.png
+:figclass: auto
+```
+
+```{note}
+همچنین می‌توانید اسکریپت را خط به خط با باز کردن یک کنسول ipykernel اجرا کنید، یا
+- از راه‌انداز
+- یا با کلیک راست در داخل Notebook و انتخاب Create Console for Editor
+
+از Shift + Enter برای اجرای یک خط کد استفاده کنید.
+```
+
+## گشت و گذاری در Visual Studio Code
+
+Visual Studio Code (VS Code) یک ویرایشگر کد و فضای کاری توسعه است که می‌تواند
+- در [مرورگر](https://vscode.dev/) اجرا شود.
+- به عنوان یک [نصب محلی](https://code.visualstudio.com/docs/?dv=win) اجرا شود.
+
+هر دو رابط کاربری یکسان هستند.
+
+وقتی VS Code را راه‌اندازی می‌کنید، رابط کاربری زیر را خواهید دید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_home.png
+:figclass: auto
+```
+
+از طریق راهنماهای گام به گام، نحوه سفارشی‌سازی VS Code به دلخواه خود را کشف کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_walkthrough.png
+:figclass: auto
+```
+هنگام مواجهه با پیام زیر، ادامه دهید و تمام افزونه‌های پیشنهادی را نصب کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_install_ext.png
+:figclass: auto
+```
+همچنین می‌توانید افزونه‌ها را از تب Extensions نصب کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_extensions.png
+:figclass: auto
+```
+Jupyter Notebooks (فایل‌های `.ipynb`) را می‌توان در VS Code کار کرد.
+
+مطمئن شوید که قبل از تلاش برای باز کردن یک Jupyter Notebook، افزونه Jupyter را از تب Extensions نصب کنید.
+
+یک فایل جدید ایجاد کنید (در تب file Explorer) و آن را با پسوند `.ipynb` ذخیره کنید.
+
+یک kernel/environment برای اجرای Notebook در آن با کلیک بر روی دکمه Select Kernel در گوشه بالا سمت راست ویرایشگر انتخاب کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_kernels.png
+:figclass: auto
+```
+
+VS Code همچنین از طریق تب Source Control قابلیت کنترل نسخه عالی دارد.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_git.png
+:figclass: auto
+```
+حساب GitHub خود را به VS Code متصل کنید تا تغییرات را به مخازن خود push و pull کنید.
+
+بحث‌های بیشتر در مورد کنترل نسخه را می‌توان در بخش بعدی یافت.
+
+برای باز کردن یک Terminal جدید در VS Code، روی تب Terminal کلیک کرده و New Terminal را انتخاب کنید.
+
+VS Code یک Terminal جدید در همان دایرکتوری که در آن کار می‌کنید باز می‌کند - یک PowerShell در Windows و یک Bash در Linux.
+
+می‌توانید shell را تغییر دهید یا یک instance جدید از طریق منوی کشویی در انتهای سمت راست تب ترمینال باز کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_terminal_opts.png
+:figclass: auto
+```
+
+VS Code به شما کمک می‌کند محیط‌های conda را بدون استفاده از خط فرمان مدیریت کنید.
+
+Command Palette را باز کنید (CTRL + SHIFT + P یا از منوی کشویی تحت تب View) و ```Python: Select Interpreter``` را جستجو کنید.
+
+این محیط‌های موجود را بارگذاری می‌کند.
+
+همچنین می‌توانید با استفاده از ```Python: Create Environment``` در Command Palette، محیط‌های جدید ایجاد کنید.
+
+یک محیط جدید (پوشه .conda) در دایرکتوری کاری فعلی ایجاد می‌شود.
+
+در مورد اسکریپت‌های مثال قبلی، باز هم دو راه برای کار با آنها در VS Code وجود دارد.
+
+- استفاده از دکمه run
+- استفاده از ترمینال
+
+### استفاده از دکمه run
+
+می‌توانید اسکریپت را با کلیک بر روی دکمه run در گوشه بالا سمت راست ویرایشگر اجرا کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_run.png
+:figclass: auto
+```
+
+همچنین می‌توانید اسکریپت را به صورت تعاملی با انتخاب گزینه **Run Current File in Interactive Window** از منوی کشویی اجرا کنید.
+
+```{figure} /_static/lecture_specific/workspace/vs_code_run_button.png
+:figclass: auto
+```
+این یک کنسول ipykernel ایجاد می‌کند و اسکریپت را اجرا می‌کند.
+
+### استفاده از ترمینال
+
+دستور `python <path to file.py>` بر روی کنسول انتخابی شما اجرا می‌شود.
+
+اگر از یک دستگاه Windows استفاده می‌کنید، می‌توانید یا از Anaconda Prompt یا Command Prompt استفاده کنید - اما به طور کلی نه از PowerShell.
+
+در اینجا یک اجرای کد قبلی آمده است.
+
+```{figure} /_static/lecture_specific/workspace/sine_wave_import.png
+:figclass: auto
+```
+
+```{note}
+اگر می‌خواهید بسته‌ها را توسعه دهید و ابزارهایی با استفاده از Python بسازید، ممکن است بخواهید به [استفاده از Docker containers و VS Code](https://github.com/RamiKrispin/vscode-python) نگاه کنید.
+
+با این حال، این خارج از تمرکز این سخنرانی‌ها است.
+```
+
+## Git را امتحان کنید
+
+این بخش شما را با git و GitHub آشنا می‌کند.
+
+[Git](https://git-scm.com/) یک *سیستم کنترل نسخه* است --- نرم‌افزاری که برای مدیریت پروژه‌های دیجیتال مانند کتابخانه‌های کد استفاده می‌شود.
+
+در بسیاری از موارد، مجموعه‌های مرتبط فایل‌ها --- که *مخازن* نامیده می‌شوند --- بر روی [GitHub](https://github.com/) ذخیره می‌شوند.
+
+GitHub یک دنیای شگفت‌انگیز از پروژه‌های کدنویسی مشارکتی است.
+
+به عنوان مثال، میزبان بسیاری از کتابخانه‌های علمی است که بعداً از آنها استفاده خواهیم کرد، مانند [این یکی](https://github.com/pandas-dev/pandas).
+
+Git نرم‌افزار زیربنایی است که برای مدیریت این پروژه‌ها استفاده می‌شود.
+
+Git یک ابزار بسیار قدرتمند برای همکاری توزیع شده است --- به عنوان مثال، ما از آن برای به اشتراک گذاشتن و همگام‌سازی تمام فایل‌های منبع این سخنرانی‌ها استفاده می‌کنیم.
+
+دو نوع اصلی Git وجود دارد
+
+1. نسخه [خط فرمان Git](https://git-scm.com/downloads) ساده وانیلی
+2. نسخه‌های مختلف GUI کلیک و اشاره
+    * برای مثال، [نسخه GitHub](https://github.com/apps/desktop) یا Git GUI یکپارچه شده در IDE شما را ببینید.
+
+در صورتی که قبلاً این کار را نکرده‌اید، امتحان کنید
+
+1. نصب Git.
+1. دریافت یک کپی از [QuantEcon.py](https://github.com/QuantEcon/QuantEcon.py) با استفاده از Git.
+
+به عنوان مثال، اگر نسخه خط فرمان را نصب کرده‌اید، یک ترمینال باز کنید و وارد کنید.
+
+```bash
+git clone https://github.com/QuantEcon/QuantEcon.py
+```
+(این فقط `git clone` در جلوی URL مخزن است)
+
+این دستور تمام اجزای لازم را برای بازسازی سخنرانی‌ای که اکنون می‌خوانید دانلود می‌کند.
+
+به عنوان وظیفه دوم،
+
+1. در [GitHub](https://github.com/) ثبت نام کنید.
+1. به 'forking' مخازن GitHub نگاه کنید (forking به معنای ایجاد کپی خود از یک مخزن GitHub است که در GitHub ذخیره می‌شود).
+1. [QuantEcon.py](https://github.com/QuantEcon/QuantEcon.py) را fork کنید.
+1. fork خود را در یک دایرکتوری محلی clone کنید، ویرایش‌ها انجام دهید، آنها را commit کنید و به مخزن GitHub fork شده خود push کنید.
+1. اگر بهبود ارزشمندی ایجاد کردید، برای ما یک [pull request](https://docs.github.com/en/pull-requests/collaborating-with-pull-requests/proposing-changes-to-your-work-with-pull-requests/about-pull-requests) ارسال کنید!
+
+برای خواندن در مورد این موضوعات و سایر موضوعات، امتحان کنید
+
+* [مستندات رسمی Git](https://git-scm.com/doc).
+* خواندن مستندات در [GitHub](https://docs.github.com/en).
+* [کتاب Pro Git](https://git-scm.com/book) توسط Scott Chacon و Ben Straub.
+* یکی از هزاران آموزش Git در اینترنت.
\ No newline at end of file