diff --git a/translations/ar/.co-op-translator.json b/translations/ar/.co-op-translator.json
index 67502896..fda9a79e 100644
--- a/translations/ar/.co-op-translator.json
+++ b/translations/ar/.co-op-translator.json
@@ -11,12 +11,24 @@
     "source_file": "1-Introduction/01-defining-data-science/assignment.md",
     "language_code": "ar"
   },
+  "1-Introduction/01-defining-data-science/notebook.ipynb": {
+    "original_hash": "8f5eb7b3f7cc89e6d98fb32e1de65dec",
+    "translation_date": "2026-02-28T08:50:32+00:00",
+    "source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
+    "language_code": "ar"
+  },
   "1-Introduction/01-defining-data-science/solution/assignment.md": {
     "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
     "translation_date": "2025-08-27T09:04:22+00:00",
     "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
     "language_code": "ar"
   },
+  "1-Introduction/01-defining-data-science/solution/notebook.ipynb": {
+    "original_hash": "090bbfbfcb0c40d3d6e3236f836164ea",
+    "translation_date": "2026-02-28T08:51:00+00:00",
+    "source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
+    "language_code": "ar"
+  },
   "1-Introduction/02-ethics/README.md": {
     "original_hash": "58860ce9a4b8a564003d2752f7c72851",
     "translation_date": "2025-10-03T16:02:24+00:00",
@@ -95,6 +107,12 @@
     "source_file": "2-Working-With-Data/07-python/assignment.md",
     "language_code": "ar"
   },
+  "2-Working-With-Data/07-python/notebook-covidspread.ipynb": {
+    "original_hash": "6335cccba01dc6ad7b15aba7a8c73f38",
+    "translation_date": "2026-02-28T08:51:47+00:00",
+    "source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
+    "language_code": "ar"
+  },
   "2-Working-With-Data/08-data-preparation/README.md": {
     "original_hash": "1b560955ff39a2bcf2a049fce474a951",
     "translation_date": "2025-09-06T06:23:58+00:00",
@@ -360,8 +378,8 @@
     "language_code": "ar"
   },
   "README.md": {
-    "original_hash": "9204a2806964384a56f5cb0f22bbe953",
-    "translation_date": "2026-02-06T07:26:21+00:00",
+    "original_hash": "f671e295a294a2559fc59d1524e001b4",
+    "translation_date": "2026-02-28T08:56:48+00:00",
     "source_file": "README.md",
     "language_code": "ar"
   },
diff --git a/translations/ar/1-Introduction/01-defining-data-science/README.md b/translations/ar/1-Introduction/01-defining-data-science/README.md
index cad2cd7e..0ca90baa 100644
--- a/translations/ar/1-Introduction/01-defining-data-science/README.md
+++ b/translations/ar/1-Introduction/01-defining-data-science/README.md
@@ -6,7 +6,7 @@
 
 ---
 
-[![فيديو تعريف علم البيانات](../../../../translated_images/ar/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.png)](https://youtu.be/beZ7Mb_oz9I)
+[![فيديو تعريف علم البيانات](../../../../translated_images/ar/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
 
 ## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ds/quiz/0)
 
@@ -144,7 +144,7 @@
 
 في هذا التحدي، سنحاول العثور على المفاهيم ذات الصلة بمجال علم البيانات من خلال النظر في النصوص. سنأخذ مقالة من ويكيبيديا عن علم البيانات، ونقوم بتنزيل ومعالجة النص، ثم نبني سحابة كلمات مثل هذه:
 
-![سحابة كلمات لعلم البيانات](../../../../translated_images/ar/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.png)
+![سحابة كلمات لعلم البيانات](../../../../translated_images/ar/ds_wordcloud.664a7c07dca57de0.webp)
 
 قم بزيارة [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') لقراءة الكود. يمكنك أيضًا تشغيل الكود، ومشاهدة كيفية تنفيذ جميع تحويلات البيانات في الوقت الفعلي.
 
diff --git a/translations/ar/1-Introduction/01-defining-data-science/notebook.ipynb b/translations/ar/1-Introduction/01-defining-data-science/notebook.ipynb
index 9a861ae5..296086c6 100644
--- a/translations/ar/1-Introduction/01-defining-data-science/notebook.ipynb
+++ b/translations/ar/1-Introduction/01-defining-data-science/notebook.ipynb
@@ -3,13 +3,13 @@
   {
    "cell_type": "markdown",
    "source": [
-    "# التحدي: تحليل النصوص حول علم البيانات\n",
+    "# التحدي: تحليل نص حول علم البيانات\n",
     "\n",
-    "في هذا المثال، سنقوم بممارسة بسيطة تغطي جميع خطوات عملية علم البيانات التقليدية. لا تحتاج إلى كتابة أي كود، يمكنك فقط النقر على الخلايا أدناه لتنفيذها وملاحظة النتيجة. كجزء من التحدي، يُشجَّعك على تجربة هذا الكود مع بيانات مختلفة.\n",
+    "في هذا المثال، دعنا نقوم بتمرين بسيط يشمل جميع خطوات عملية علم البيانات التقليدية. لست مضطراً لكتابة أي كود، يمكنك فقط النقر على الخلايا أدناه لتنفيذها وملاحظة النتيجة. كتحدٍ، يُشجعك تجربة هذا الكود مع بيانات مختلفة.\n",
     "\n",
     "## الهدف\n",
     "\n",
-    "في هذه الدرس، ناقشنا مفاهيم مختلفة تتعلق بعلم البيانات. دعونا نحاول اكتشاف المزيد من المفاهيم ذات الصلة من خلال القيام بـ **تنقيب النصوص**. سنبدأ بنص حول علم البيانات، نستخرج الكلمات المفتاحية منه، ثم نحاول تصور النتيجة.\n",
+    "في هذا الدرس، كنا نناقش مفاهيم مختلفة مرتبطة بعلم البيانات. دعنا نحاول اكتشاف المزيد من المفاهيم ذات الصلة من خلال القيام بـ **تنقيب النصوص**. سنبدأ بنص حول علم البيانات، نستخرج منه الكلمات المفتاحية، ومن ثم نحاول تصور النتيجة.\n",
     "\n",
     "كنص، سأستخدم الصفحة الخاصة بعلم البيانات من ويكيبيديا:\n"
    ],
@@ -34,7 +34,7 @@
    "source": [
     "## الخطوة 1: الحصول على البيانات\n",
     "\n",
-    "الخطوة الأولى في كل عملية علم البيانات هي الحصول على البيانات. سنستخدم مكتبة `requests` للقيام بذلك:\n"
+    "الخطوة الأولى في كل عملية علم بيانات هي الحصول على البيانات. سنستخدم مكتبة `requests` للقيام بذلك:\n"
    ],
    "metadata": {}
   },
@@ -68,43 +68,41 @@
    "source": [
     "## الخطوة 2: تحويل البيانات\n",
     "\n",
-    "الخطوة التالية هي تحويل البيانات إلى الشكل المناسب للمعالجة. في حالتنا، قمنا بتنزيل كود المصدر الخاص بـ HTML من الصفحة، ونحتاج إلى تحويله إلى نص عادي.\n",
+    "الخطوة التالية هي تحويل البيانات إلى الشكل المناسب للمعالجة. في حالتنا، قمنا بتنزيل شفرة مصدر HTML من الصفحة، ونحتاج إلى تحويلها إلى نص عادي.\n",
     "\n",
-    "هناك العديد من الطرق التي يمكن من خلالها القيام بذلك. سنستخدم أبسط كائن مدمج [HTMLParser](https://docs.python.org/3/library/html.parser.html) من Python. نحتاج إلى إنشاء فئة فرعية من `HTMLParser` وتعريف الكود الذي سيجمع كل النصوص داخل علامات HTML، باستثناء علامات `<script>` و `<style>`.\n"
+    "هناك عدة طرق للقيام بذلك. سنستخدم [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/)، وهي مكتبة بايثون شهيرة لتحليل HTML. تتيح لنا BeautifulSoup استهداف عناصر HTML محددة، حتى نتمكن من التركيز على محتوى المقال الرئيسي من ويكيبيديا وتقليل بعض قوائم التنقل، الأشرطة الجانبية، التذييلات، والمحتويات الأخرى غير ذات الصلة (مع أنه قد يبقى بعض النصوص الثابتة).\n"
+   ],
+   "metadata": {}
+  },
+  {
+   "cell_type": "markdown",
+   "source": [
+    "أولاً، نحتاج إلى تثبيت مكتبة BeautifulSoup لتحليل HTML:\n"
    ],
    "metadata": {}
   },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "source": [
+    "import sys\r\n",
+    "!{sys.executable} -m pip install beautifulsoup4"
+   ],
+   "outputs": [],
+   "metadata": {}
+  },
   {
    "cell_type": "code",
    "execution_count": 64,
    "source": [
-    "from html.parser import HTMLParser\r\n",
-    "\r\n",
-    "class MyHTMLParser(HTMLParser):\r\n",
-    "    script = False\r\n",
-    "    res = \"\"\r\n",
-    "    def handle_starttag(self, tag, attrs):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = True\r\n",
-    "    def handle_endtag(self, tag):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = False\r\n",
-    "    def handle_data(self, data):\r\n",
-    "        if str.strip(data)==\"\" or self.script:\r\n",
-    "            return\r\n",
-    "        self.res += ' '+data.replace('[ edit ]','')\r\n",
-    "\r\n",
-    "parser = MyHTMLParser()\r\n",
-    "parser.feed(text)\r\n",
-    "text = parser.res\r\n",
-    "print(text[:1000])"
+    "from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n    \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n    # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n    selectors = [\r\n        '.mw-jump-link',\r\n        '.navbox',\r\n        '.reflist',\r\n        'sup.reference',\r\n        '.mw-editsection',\r\n        '.hatnote',\r\n        '.metadata',\r\n        '.infobox',\r\n        '#toc',\r\n        '.toc',\r\n        '.sidebar',\r\n    ]\r\n    for selector in selectors:\r\n        for el in content_node.select(selector):\r\n            el.decompose()\r\n\r\nif content:\r\n    # Clean the content node to better approximate article text only.\r\n    clean_wikipedia_content(content)\r\n    text = content.get_text(separator=' ', strip=True)\r\n    print(text[:1000])\r\nelse:\r\n    print(\"Could not find main content. Using full page text.\")\r\n    text = soup.get_text(separator=' ', strip=True)\r\n    print(text[:1000])"
    ],
    "outputs": [
     {
      "output_type": "stream",
      "name": "stdout",
      "text": [
-      " Data science - Wikipedia Data science From Wikipedia, the free encyclopedia Jump to navigation Jump to search Interdisciplinary field of study focused on deriving knowledge and insights from data Not to be confused with  information science . The existence of  Comet NEOWISE  (here depicted as a series of red dots) was discovered by analyzing  astronomical survey  data acquired by a  space telescope , the  Wide-field Infrared Survey Explorer . Part of a series on Machine learning and  data mining Problems Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction Supervised learning ( classification  •  regression ) Decision trees Ensembles Bagging Boosting Random forest k -NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine \n"
+      "Data science From Wikipedia, the free encyclopedia Interdisciplinary field of study focused on deriving knowledge and insights from data Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from noisy, structured, and unstructured data. Data science also integrates domain knowledge from the underlying application domain. Data science is multifaceted and can be described as a science, a research paradigm, a research method, a discipline, a workflow, and a profession.\n"
      ]
     }
    ],
@@ -113,11 +111,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## الخطوة 3: الحصول على رؤى\n",
+    "## الخطوة 3: الحصول على الرؤى\n",
     "\n",
-    "الخطوة الأهم هي تحويل بياناتنا إلى شكل يمكننا من خلاله استخلاص رؤى. في حالتنا، نريد استخراج الكلمات المفتاحية من النص، ومعرفة أي الكلمات المفتاحية أكثر أهمية.\n",
+    "أهم خطوة هي تحويل بياناتنا إلى شكل يمكننا من خلاله استخلاص الرؤى. في حالتنا، نريد استخراج الكلمات المفتاحية من النص، ورؤية أي الكلمات المفتاحية أكثر معنى.\n",
     "\n",
-    "سنستخدم مكتبة بايثون تسمى [RAKE](https://github.com/aneesha/RAKE) لاستخراج الكلمات المفتاحية. أولاً، دعونا نقوم بتثبيت هذه المكتبة إذا لم تكن موجودة:\n"
+    "سنستخدم مكتبة بايثون تسمى [RAKE](https://github.com/aneesha/RAKE) لاستخراج الكلمات المفتاحية. أولاً، لنقم بتثبيت هذه المكتبة في حال لم تكن موجودة: \n"
    ],
    "metadata": {}
   },
@@ -162,7 +160,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "تتوفر الوظيفة الرئيسية من كائن `Rake`، والذي يمكننا تخصيصه باستخدام بعض المعلمات. في حالتنا، سنحدد الحد الأدنى لطول الكلمة الرئيسية ليكون 5 أحرف، والحد الأدنى لتكرار الكلمة الرئيسية في المستند ليكون 3، والحد الأقصى لعدد الكلمات في الكلمة الرئيسية ليكون 2. لا تتردد في تجربة قيم أخرى وملاحظة النتيجة.\n"
+    "الوظيفة الرئيسية متاحة من كائن `Rake`، الذي يمكننا تخصيصه باستخدام بعض المعلمات. في حالتنا، سنحدد الحد الأدنى لطول الكلمة المفتاحية بـ 5 أحرف، والحد الأدنى لتكرار الكلمة المفتاحية في الوثيقة بـ 3، والحد الأقصى لعدد الكلمات في الكلمة المفتاحية - إلى 2. لا تتردد في تجربة قيم أخرى ومراقبة النتيجة.\n"
    ],
    "metadata": {}
   },
@@ -211,11 +209,12 @@
   {
    "cell_type": "markdown",
    "source": [
-    "حصلنا على قائمة من المصطلحات مع درجة الأهمية المرتبطة بها. كما ترى، فإن التخصصات الأكثر أهمية، مثل تعلم الآلة والبيانات الضخمة، موجودة في القائمة في المراكز العليا.\n",
+    "\n",
+    "لقد حصلنا على قائمة بالمصطلحات مع الدرجة المرتبطة لكل منها من حيث الأهمية. كما تلاحظ، التخصصات الأكثر صلة، مثل التعلم الآلي والبيانات الضخمة، موجودة في القائمة في المراتب الأعلى.\n",
     "\n",
     "## الخطوة 4: تصور النتيجة\n",
     "\n",
-    "يمكن للناس تفسير البيانات بشكل أفضل عندما تكون في شكل بصري. لذلك، غالبًا ما يكون من المنطقي تصور البيانات لاستخلاص بعض الأفكار. يمكننا استخدام مكتبة `matplotlib` في بايثون لرسم توزيع بسيط للكلمات المفتاحية مع مدى أهميتها:\n"
+    "يمكن للناس تفسير البيانات بشكل أفضل عندما تكون في شكل بصري. لذلك، غالبًا ما يكون من المنطقي تصور البيانات من أجل استخلاص بعض الرؤى. يمكننا استخدام مكتبة `matplotlib` في بايثون لرسم توزيع بسيط للكلمات المفتاحية مع مدى ارتباطها:\n"
    ],
    "metadata": {}
   },
@@ -252,7 +251,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "هناك، مع ذلك، طريقة أفضل لتصور تكرار الكلمات - باستخدام **سحابة الكلمات**. سنحتاج إلى تثبيت مكتبة أخرى لرسم سحابة الكلمات من قائمة الكلمات الرئيسية الخاصة بنا.\n"
+    "ومع ذلك، هناك طريقة أفضل لتصور تكرار الكلمات - باستخدام **سحابة الكلمات**. سنحتاج إلى تثبيت مكتبة أخرى لرسم سحابة الكلمات من قائمة الكلمات المفتاحية الخاصة بنا.\n"
    ],
    "metadata": {}
   },
@@ -268,7 +267,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "`كائن WordCloud مسؤول عن استلام النص الأصلي أو قائمة الكلمات المحسوبة مسبقًا مع تردداتها، ويعيد صورة يمكن عرضها باستخدام matplotlib:`\n"
+    "كائن `WordCloud` مسؤول عن استلام النص الأصلي، أو قائمة الكلمات مع تردداتها المحسوبة مسبقًا، وإرجاع صورة يمكن عرضها باستخدام `matplotlib`:\n"
    ],
    "metadata": {}
   },
@@ -312,7 +311,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "يمكننا أيضًا تمرير النص الأصلي إلى `WordCloud` - دعنا نرى إذا كنا قادرين على الحصول على نتيجة مشابهة:\n"
+    "يمكننا أيضًا تمرير النص الأصلي إلى `WordCloud` - لنرَ إذا كنا قادرين على الحصول على نتيجة مشابهة:\n"
    ],
    "metadata": {}
   },
@@ -372,9 +371,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "يمكنك أن ترى أن سحابة الكلمات أصبحت الآن أكثر جاذبية، لكنها تحتوي أيضًا على الكثير من الضوضاء (مثل كلمات غير ذات صلة مثل `Retrieved on`). بالإضافة إلى ذلك، نحصل على عدد أقل من الكلمات المفتاحية التي تتكون من كلمتين، مثل *عالم بيانات* أو *علوم الحاسوب*. السبب في ذلك هو أن خوارزمية RAKE تقوم بعمل أفضل بكثير في اختيار الكلمات المفتاحية الجيدة من النص. يوضح هذا المثال أهمية معالجة البيانات وتنظيفها، لأن الصورة الواضحة في النهاية ستسمح لنا باتخاذ قرارات أفضل.\n",
+    "يمكنك أن ترى أن سحابة الكلمات تبدو الآن أكثر إثارة للإعجاب، لكنها تحتوي أيضًا على الكثير من الضوضاء (مثل الكلمات غير المرتبطة مثل `تم الاسترجاع في`). بالإضافة إلى ذلك، نحصل على عدد أقل من الكلمات المفتاحية التي تتكون من كلمتين، مثل *عالم بيانات*، أو *علوم الحاسب*. هذا لأن خوارزمية RAKE تقوم بعمل أفضل عند اختيار الكلمات المفتاحية الجيدة من النص. يوضح هذا المثال أهمية المعالجة المسبقة للبيانات وتنظيفها، لأن الصورة الواضحة في النهاية ستسمح لنا باتخاذ قرارات أفضل.\n",
     "\n",
-    "في هذا التمرين، قمنا بعملية بسيطة لاستخراج بعض المعاني من نصوص ويكيبيديا، على شكل كلمات مفتاحية وسحابة كلمات. هذا المثال بسيط جدًا، لكنه يوضح بشكل جيد جميع الخطوات النموذجية التي يقوم بها عالم البيانات عند العمل مع البيانات، بدءًا من الحصول على البيانات وصولاً إلى التصور.\n",
+    "في هذا التمرين، مررنا بعملية بسيطة لاستخلاص بعض المعاني من نص ويكيبيديا، على شكل كلمات مفتاحية وسحابة كلمات. هذا المثال بسيط جدًا، لكنه يوضح جيدًا جميع الخطوات النموذجية التي سيتبعها عالم البيانات عند العمل مع البيانات، بدءًا من الحصول على البيانات، وصولاً إلى التمثيل البصري.\n",
     "\n",
     "في دورتنا، سنناقش جميع هذه الخطوات بالتفصيل.\n"
    ],
@@ -394,7 +393,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**إخلاء المسؤولية**:  \nتم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**إخلاء المسؤولية**:\nتمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). رغم أننا نسعى للدقة، يرجى العلم بأن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والموثوق. بالنسبة للمعلومات الهامة، يُنصح بالاستعانة بترجمة مهنية بشرية. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -418,12 +417,6 @@
   },
   "interpreter": {
    "hash": "c28e7b6bf4e5b397b8288a85bf0a94ea8d3585ce2b01919feb195678ec71581b"
-  },
-  "coopTranslator": {
-   "original_hash": "50c0f0a5204a18405611cbe7e0fec56b",
-   "translation_date": "2025-09-01T23:28:08+00:00",
-   "source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
-   "language_code": "ar"
   }
  },
  "nbformat": 4,
diff --git a/translations/ar/1-Introduction/01-defining-data-science/solution/notebook.ipynb b/translations/ar/1-Introduction/01-defining-data-science/solution/notebook.ipynb
index 76cc72c4..ec40dc6c 100644
--- a/translations/ar/1-Introduction/01-defining-data-science/solution/notebook.ipynb
+++ b/translations/ar/1-Introduction/01-defining-data-science/solution/notebook.ipynb
@@ -3,17 +3,17 @@
   {
    "cell_type": "markdown",
    "source": [
-    "# التحدي: تحليل النصوص حول علم البيانات\n",
+    "# التحدي: تحليل نص حول علم البيانات\n",
     "\n",
-    "> *في هذا الدفتر، نجرب استخدام رابط مختلف - مقال ويكيبيديا عن التعلم الآلي. يمكنك أن تلاحظ أن هذا المقال، على عكس علم البيانات، يحتوي على الكثير من المصطلحات، مما يجعل التحليل أكثر تعقيدًا. نحتاج إلى إيجاد طريقة أخرى لتنظيف البيانات بعد استخراج الكلمات المفتاحية، للتخلص من بعض التراكيب الشائعة ولكن غير ذات المعنى.*\n",
+    "> *في هذه المفكرة، نجرب استخدام رابط مختلف - مقالة ويكيبيديا عن التعلم الآلي. يمكنك أن ترى، على عكس علم البيانات، أن هذه المقالة تحتوي على الكثير من المصطلحات، مما يجعل التحليل أكثر تعقيدًا. نحتاج إلى إيجاد طريقة أخرى لتنظيف البيانات بعد استخراج الكلمات المفتاحية، للتخلص من بعض التركيبات الشائعة ولكن غير المفيدة من الكلمات.*\n",
     "\n",
-    "في هذا المثال، دعونا نقوم بتمرين بسيط يغطي جميع خطوات عملية علم البيانات التقليدية. ليس عليك كتابة أي كود، يمكنك فقط النقر على الخلايا أدناه لتنفيذها وملاحظة النتيجة. كجزء من التحدي، يُشجَّعك على تجربة هذا الكود مع بيانات مختلفة.\n",
+    "في هذا المثال، لنقم بتمرين بسيط يغطي جميع خطوات عملية علم البيانات التقليدية. ليس عليك كتابة أي كود، يمكنك فقط النقر على الخلايا أدناه لتنفيذها وملاحظة النتيجة. كتحدي، نشجعك على تجربة هذا الكود مع بيانات مختلفة.\n",
     "\n",
     "## الهدف\n",
     "\n",
-    "في هذا الدرس، كنا نتحدث عن مفاهيم مختلفة تتعلق بعلم البيانات. دعونا نحاول اكتشاف المزيد من المفاهيم ذات الصلة من خلال القيام ببعض **التنقيب عن النصوص**. سنبدأ بنص حول علم البيانات، نستخرج منه الكلمات المفتاحية، ثم نحاول تصور النتيجة.\n",
+    "في هذا الدرس، ناقشنا مفاهيم مختلفة تتعلق بعلم البيانات. دعنا نحاول اكتشاف مفاهيم مرتبطة أكثر من خلال القيام ببعض **التنقيب النصي**. سنبدأ بنص عن علم البيانات، نستخرج منه الكلمات المفتاحية، ثم نحاول تصور النتيجة.\n",
     "\n",
-    "كنص، سأستخدم صفحة علم البيانات من ويكيبيديا:\n"
+    "كنص، سأستخدم الصفحة الخاصة بعلم البيانات من ويكيبيديا:\n"
    ],
    "metadata": {}
   },
@@ -37,7 +37,7 @@
    "source": [
     "## الخطوة 1: الحصول على البيانات\n",
     "\n",
-    "أول خطوة في أي عملية علم بيانات هي الحصول على البيانات. سنستخدم مكتبة `requests` للقيام بذلك:\n"
+    "الخطوة الأولى في كل عملية علم بيانات هي الحصول على البيانات. سنستخدم مكتبة `requests` للقيام بذلك:\n"
    ],
    "metadata": {}
   },
@@ -71,43 +71,41 @@
    "source": [
     "## الخطوة 2: تحويل البيانات\n",
     "\n",
-    "الخطوة التالية هي تحويل البيانات إلى الشكل المناسب للمعالجة. في حالتنا، قمنا بتنزيل الشيفرة المصدرية لـ HTML من الصفحة، ونحتاج إلى تحويلها إلى نص عادي.\n",
+    "الخطوة التالية هي تحويل البيانات إلى الشكل المناسب للمعالجة. في حالتنا، قمنا بتحميل شفرة المصدر HTML من الصفحة، ونحتاج إلى تحويلها إلى نص عادي.\n",
     "\n",
-    "هناك العديد من الطرق التي يمكن من خلالها القيام بذلك. سنستخدم أبسط كائن مدمج [HTMLParser](https://docs.python.org/3/library/html.parser.html) من بايثون. نحتاج إلى إنشاء فئة فرعية من `HTMLParser` وتعريف الشيفرة التي ستجمع كل النصوص داخل علامات HTML، باستثناء علامات `<script>` و `<style>`.\n"
+    "هناك العديد من الطرق التي يمكن من خلالها القيام بذلك. سنستخدم [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/)، وهي مكتبة Python شهيرة لتحليل HTML. تتيح لنا BeautifulSoup استهداف عناصر HTML معينة، بحيث يمكننا التركيز على المحتوى الرئيسي للمقال من ويكيبيديا وتقليل بعض قوائم التنقل، الأشرطة الجانبية، التذييلات، ومحتويات أخرى غير ذات صلة (على الرغم من أن بعض النصوص الافتراضية قد تظل موجودة).\n"
    ],
    "metadata": {}
   },
+  {
+   "cell_type": "markdown",
+   "source": [
+    "أولاً، نحتاج إلى تثبيت مكتبة BeautifulSoup لتحليل HTML:\n"
+   ],
+   "metadata": {}
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "source": [
+    "import sys\r\n",
+    "!{sys.executable} -m pip install beautifulsoup4"
+   ],
+   "outputs": [],
+   "metadata": {}
+  },
   {
    "cell_type": "code",
    "execution_count": 4,
    "source": [
-    "from html.parser import HTMLParser\r\n",
-    "\r\n",
-    "class MyHTMLParser(HTMLParser):\r\n",
-    "    script = False\r\n",
-    "    res = \"\"\r\n",
-    "    def handle_starttag(self, tag, attrs):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = True\r\n",
-    "    def handle_endtag(self, tag):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = False\r\n",
-    "    def handle_data(self, data):\r\n",
-    "        if str.strip(data)==\"\" or self.script:\r\n",
-    "            return\r\n",
-    "        self.res += ' '+data.replace('[ edit ]','')\r\n",
-    "\r\n",
-    "parser = MyHTMLParser()\r\n",
-    "parser.feed(text)\r\n",
-    "text = parser.res\r\n",
-    "print(text[:1000])"
+    "from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n    \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n    # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n    selectors = [\r\n        '.mw-jump-link',\r\n        '.navbox',\r\n        '.reflist',\r\n        'sup.reference',\r\n        '.mw-editsection',\r\n        '.hatnote',\r\n        '.metadata',\r\n        '.infobox',\r\n        '#toc',\r\n        '.toc',\r\n        '.sidebar',\r\n    ]\r\n    for selector in selectors:\r\n        for el in content_node.select(selector):\r\n            el.decompose()\r\n\r\nif content:\r\n    # Clean the content node to better approximate article text only.\r\n    clean_wikipedia_content(content)\r\n    text = content.get_text(separator=' ', strip=True)\r\n    print(text[:1000])\r\nelse:\r\n    print(\"Could not find main content. Using full page text.\")\r\n    text = soup.get_text(separator=' ', strip=True)\r\n    print(text[:1000])"
    ],
    "outputs": [
     {
      "output_type": "stream",
      "name": "stdout",
      "text": [
-      " Machine learning - Wikipedia Machine learning From Wikipedia, the free encyclopedia Jump to navigation Jump to search Study of algorithms that improve automatically through experience For the journal, see  Machine Learning (journal) . \"Statistical learning\" redirects here. For statistical learning in linguistics, see  statistical learning in language acquisition . Part of a series on Artificial intelligence Major goals Artificial general intelligence Planning Computer vision General game playing Knowledge reasoning Machine learning Natural language processing Robotics Approaches Symbolic Deep learning Bayesian networks Evolutionary algorithms Philosophy Ethics Existential risk Turing test Chinese room Control problem Friendly AI History Timeline Progress AI winter Technology Applications Projects Programming languages Glossary Glossary v t e Part of a series on Machine learning and  data mining Problems Classification Clustering Regression Anomaly detection Data Cleaning AutoML Associ\n"
+      "Machine learning From Wikipedia, the free encyclopedia Study of algorithms that improve automatically through experience Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. ML finds application in many fields, including natural language processing, computer vision, speech recognition, email filtering, agriculture, and medicine.\n"
      ]
     }
    ],
@@ -116,11 +114,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## الخطوة 3: الحصول على رؤى\n",
+    "## الخطوة 3: الحصول على الرؤى\n",
     "\n",
-    "الخطوة الأهم هي تحويل بياناتنا إلى شكل يمكننا من خلاله استنتاج رؤى. في حالتنا، نريد استخراج الكلمات المفتاحية من النص، ومعرفة أي الكلمات المفتاحية أكثر أهمية.\n",
+    "الخطوة الأهم هي تحويل بياناتنا إلى شكل يمكننا من خلاله استخلاص الرؤى. في حالتنا، نريد استخراج الكلمات المفتاحية من النص، ورؤية الكلمات المفتاحية التي تحمل معاني أكثر.\n",
     "\n",
-    "سنستخدم مكتبة بايثون تُسمى [RAKE](https://github.com/aneesha/RAKE) لاستخراج الكلمات المفتاحية. أولاً، دعونا نقوم بتثبيت هذه المكتبة في حال لم تكن موجودة:\n"
+    "سنستخدم مكتبة بايثون تسمى [RAKE](https://github.com/aneesha/RAKE) لاستخراج الكلمات المفتاحية. أولاً، دعنا نقم بتثبيت هذه المكتبة في حال لم تكن موجودة:\n"
    ],
    "metadata": {}
   },
@@ -172,7 +170,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "الوظيفة الرئيسية متاحة من كائن `Rake`، والذي يمكننا تخصيصه باستخدام بعض المعلمات. في حالتنا، سنقوم بتعيين الحد الأدنى لطول الكلمة الرئيسية إلى 5 أحرف، والحد الأدنى لتكرار الكلمة الرئيسية في المستند إلى 3، والحد الأقصى لعدد الكلمات في الكلمة الرئيسية إلى 2. لا تتردد في تجربة قيم أخرى وملاحظة النتيجة.\n"
+    "الوظيفة الرئيسية متاحة من كائن `Rake`، الذي يمكننا تخصيصه باستخدام بعض المعلمات. في حالتنا، سنحدد الحد الأدنى لطول الكلمة المفتاحية إلى 5 أحرف، والحد الأدنى لتكرار الكلمة المفتاحية في المستند إلى 3، والحد الأقصى لعدد الكلمات في الكلمة المفتاحية إلى 2. لا تتردد في تجربة قيم أخرى وملاحظة النتيجة.\n"
    ],
    "metadata": {}
   },
@@ -353,11 +351,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "حصلنا على قائمة بالمصطلحات مع درجة الأهمية المرتبطة بها. كما ترى، فإن التخصصات الأكثر صلة، مثل تعلم الآلة والبيانات الضخمة، تظهر في المراكز الأولى من القائمة.\n",
+    "حصلنا على قائمة مصطلحات مع درجة الأهمية المرتبطة بها. كما ترى، فإن التخصصات الأكثر صلة، مثل التعلم الآلي والبيانات الضخمة، موجودة في القائمة في المراتب العليا.\n",
     "\n",
     "## الخطوة 4: تصور النتيجة\n",
     "\n",
-    "يمكن للناس فهم البيانات بشكل أفضل عندما تكون في شكل مرئي. لذلك، غالبًا ما يكون من المنطقي تصور البيانات لاستخلاص بعض الأفكار. يمكننا استخدام مكتبة `matplotlib` في بايثون لرسم توزيع بسيط للكلمات المفتاحية مع مدى أهميتها:\n"
+    "يمكن للناس تفسير البيانات بشكل أفضل في الشكل البصري. لذلك غالبًا ما يكون من المنطقي تصور البيانات من أجل استخلاص بعض الرؤى. يمكننا استخدام مكتبة `matplotlib` في بايثون لرسم توزيع بسيط للكلمات المفتاحية مع مدى صلتها:\n"
    ],
    "metadata": {}
   },
@@ -392,7 +390,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "هناك، مع ذلك، طريقة أفضل لتصور تكرار الكلمات - باستخدام **سحابة الكلمات**. سنحتاج إلى تثبيت مكتبة أخرى لرسم سحابة الكلمات من قائمة الكلمات الرئيسية الخاصة بنا.\n"
+    "هناك، مع ذلك، طريقة أفضل لرسم تواتر الكلمات - باستخدام **سحابة الكلمات**. سنحتاج إلى تثبيت مكتبة أخرى لرسم سحابة الكلمات من قائمة الكلمات المفتاحية لدينا.\n"
    ],
    "metadata": {}
   },
@@ -408,7 +406,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "`كائن WordCloud مسؤول عن استلام النص الأصلي أو قائمة الكلمات المحسوبة مسبقًا مع تردداتها، ويعيد صورة يمكن عرضها باستخدام matplotlib:`\n"
+    "كائن `WordCloud` مسؤول عن استلام النص الأصلي، أو قائمة محسوبة مسبقًا من الكلمات مع تردداتها، ويعيد صورة، والتي يمكن بعد ذلك عرضها باستخدام `matplotlib`:\n"
    ],
    "metadata": {}
   },
@@ -441,7 +439,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "يمكننا أيضًا تمرير النص الأصلي إلى `WordCloud` - لنرى ما إذا كنا قادرين على الحصول على نتيجة مشابهة:\n"
+    "يمكننا أيضًا تمرير النص الأصلي إلى `WordCloud` - لنرَ إذا كنا قادرين على الحصول على نتيجة مماثلة:\n"
    ],
    "metadata": {}
   },
@@ -490,11 +488,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "يمكنك أن ترى أن سحابة الكلمات أصبحت الآن أكثر جاذبية، لكنها تحتوي أيضًا على الكثير من الضوضاء (مثل كلمات غير ذات صلة مثل `Retrieved on`). بالإضافة إلى ذلك، نحصل على عدد أقل من الكلمات المفتاحية التي تتكون من كلمتين، مثل *عالم بيانات* أو *علوم الحاسوب*. السبب في ذلك هو أن خوارزمية RAKE تقوم بعمل أفضل بكثير في اختيار الكلمات المفتاحية الجيدة من النص. يوضح هذا المثال أهمية معالجة البيانات وتنظيفها، لأن الصورة الواضحة في النهاية ستسمح لنا باتخاذ قرارات أفضل.\n",
+    "يمكنك أن ترى أن سحابة الكلمات تبدو الآن أكثر إثارة للإعجاب، لكنها تحتوي أيضاً على الكثير من الضوضاء (مثل الكلمات غير المرتبطة مثل `Retrieved on`). كذلك، نحصل على عدد أقل من الكلمات المفتاحية التي تتكون من كلمتين، مثل *عالم بيانات*، أو *علوم الحاسوب*. هذا لأن خوارزمية RAKE تقوم بعمل أفضل بكثير في اختيار الكلمات المفتاحية الجيدة من النص. يوضح هذا المثال أهمية المعالجة المسبقة للبيانات وتنظيفها، لأن الصورة الواضحة في النهاية ستسمح لنا باتخاذ قرارات أفضل.\n",
     "\n",
-    "في هذا التمرين، قمنا بعملية بسيطة لاستخراج بعض المعاني من نصوص ويكيبيديا، على شكل كلمات مفتاحية وسحابة كلمات. هذا المثال بسيط جدًا، لكنه يوضح بشكل جيد جميع الخطوات النموذجية التي يقوم بها عالم البيانات عند العمل مع البيانات، بدءًا من الحصول على البيانات وصولاً إلى التصور.\n",
+    "في هذا التمرين مررنا بعملية بسيطة لاستخلاص بعض المعاني من نص ويكيبيديا، في شكل كلمات مفتاحية وسحابة كلمات. هذا المثال بسيط جداً، لكنه يوضح جيداً جميع الخطوات النموذجية التي سيأخذها عالم البيانات عند العمل مع البيانات، بدءًا من الحصول على البيانات، وحتى التمثيل البصري.\n",
     "\n",
-    "في دورتنا، سنناقش جميع هذه الخطوات بالتفصيل.\n"
+    "في دورتنا سنناقش جميع هذه الخطوات بالتفصيل.\n"
    ],
    "metadata": {}
   },
@@ -502,7 +500,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**إخلاء المسؤولية**:  \nتم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**إخلاء المسؤولية**:  \nتمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى جاهدين للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والموثوق. للحصول على معلومات هامة أو حرجة، يُنصح بالاستعانة بترجمة بشرية مهنية. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -526,12 +524,6 @@
   },
   "interpreter": {
    "hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
-  },
-  "coopTranslator": {
-   "original_hash": "dbdf34788efab64e5d817f1df38965a8",
-   "translation_date": "2025-09-01T23:38:58+00:00",
-   "source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
-   "language_code": "ar"
   }
  },
  "nbformat": 4,
diff --git a/translations/ar/1-Introduction/04-stats-and-probability/README.md b/translations/ar/1-Introduction/04-stats-and-probability/README.md
index ebf996dc..3af32846 100644
--- a/translations/ar/1-Introduction/04-stats-and-probability/README.md
+++ b/translations/ar/1-Introduction/04-stats-and-probability/README.md
@@ -6,7 +6,7 @@
 
 نظرية الإحصاء والاحتمالات هما مجالان مترابطان في الرياضيات ولهما أهمية كبيرة في علم البيانات. يمكن العمل مع البيانات دون معرفة عميقة بالرياضيات، ولكن من الأفضل معرفة بعض المفاهيم الأساسية على الأقل. هنا سنقدم مقدمة قصيرة لمساعدتك على البدء.
 
-[![فيديو المقدمة](../../../../translated_images/ar/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.png)](https://youtu.be/Z5Zy85g4Yjw)
+[![فيديو المقدمة](../../../../translated_images/ar/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
 
 ## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ds/quiz/6)
 
@@ -30,7 +30,7 @@
 
 يمكننا فقط الحديث عن احتمال أن يقع المتغير في نطاق معين من القيم، مثل P(t<sub>1</sub>≤X<t<sub>2</sub>). في هذه الحالة، يتم وصف توزيع الاحتمالات بواسطة **دالة كثافة الاحتمال** p(x)، بحيث
 
-![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/ar/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.png)
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/ar/probability-density.a8aad29f17a14afb.webp)
 
 النظير المتصل للتوزيع المنتظم يُسمى **التوزيع المنتظم المتصل**، والذي يتم تعريفه على فاصل محدود. احتمال أن تقع القيمة X في فاصل طوله l يتناسب مع l، ويصل إلى 1.
 
@@ -73,11 +73,11 @@
 
 إليك مخطط الصندوق الذي يظهر المتوسط، الوسيط والرباعيات لبياناتنا:
 
-![مخطط الصندوق للوزن](../../../../translated_images/ar/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.png)
+![مخطط الصندوق للوزن](../../../../translated_images/ar/weight-boxplot.1dbab1c03af26f8a.webp)
 
 نظرًا لأن بياناتنا تحتوي على معلومات حول **الأدوار** المختلفة للاعبين، يمكننا أيضًا إنشاء مخطط الصندوق حسب الدور - مما يسمح لنا بفهم كيفية اختلاف قيم المعلمات عبر الأدوار. هذه المرة سننظر في الطول:
 
-![مخطط الصندوق حسب الدور](../../../../translated_images/ar/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.png)
+![مخطط الصندوق حسب الدور](../../../../translated_images/ar/boxplot_byrole.036b27a1c3f52d42.webp)
 
 يشير هذا الرسم إلى أنه، في المتوسط، يكون طول لاعبي القاعدة الأولى أعلى من طول لاعبي القاعدة الثانية. لاحقًا في هذا الدرس، سنتعلم كيفية اختبار هذه الفرضية بشكل أكثر رسمية، وكيفية إثبات أن بياناتنا ذات دلالة إحصائية لإظهار ذلك.
 
@@ -85,7 +85,7 @@
 
 لرؤية توزيع بياناتنا، يمكننا رسم رسم بياني يُسمى **الهيستوجرام**. يحتوي المحور X على عدد من فواصل الوزن المختلفة (ما يُسمى **الصناديق**)، ويُظهر المحور العمودي عدد المرات التي كانت فيها عينة المتغير العشوائي داخل فاصل معين.
 
-![هيستوجرام للبيانات الواقعية](../../../../translated_images/ar/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.png)
+![هيستوجرام للبيانات الواقعية](../../../../translated_images/ar/weight-histogram.bfd00caf7fc30b14.webp)
 
 من هذا الهيستوجرام، يمكنك رؤية أن جميع القيم تتمركز حول متوسط وزن معين، وكلما ابتعدنا عن ذلك الوزن - قل عدد الأوزان التي لها تلك القيمة. أي أنه من غير المحتمل جدًا أن يكون وزن لاعب البيسبول مختلفًا جدًا عن متوسط الوزن. يظهر تباين الأوزان مدى احتمال اختلاف الأوزان عن المتوسط.
 
@@ -102,7 +102,7 @@ samples = np.random.normal(mean,std,1000)
 
 إذا قمنا برسم الهيستوجرام للعينات المولدة، سنرى صورة مشابهة جدًا لتلك الموضحة أعلاه. وإذا قمنا بزيادة عدد العينات وعدد الصناديق، يمكننا توليد صورة للتوزيع الطبيعي تكون أقرب إلى المثالية:
 
-![توزيع طبيعي بمتوسط=0 وانحراف معياري=1](../../../../translated_images/ar/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.png)
+![توزيع طبيعي بمتوسط=0 وانحراف معياري=1](../../../../translated_images/ar/normal-histogram.dfae0d67c202137d.webp)
 
 *توزيع طبيعي بمتوسط=0 وانحراف معياري=1*
 
@@ -224,7 +224,7 @@ array([[1.        , 0.52959196],
 
 في حالتنا، تشير القيمة 0.53 إلى وجود بعض الارتباط بين وزن وطول الشخص. يمكننا أيضًا إنشاء مخطط انتشار لقيمة مقابل الأخرى لرؤية العلاقة بصريًا:
 
-![العلاقة بين الوزن والطول](../../../../translated_images/ar/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.png)
+![العلاقة بين الوزن والطول](../../../../translated_images/ar/weight-height-relationship.3f06bde4ca2aba99.webp)
 
 > يمكن العثور على المزيد من أمثلة الارتباط والتغاير في [دفتر الملاحظات المرافق](notebook.ipynb).
 
diff --git a/translations/ar/1-Introduction/README.md b/translations/ar/1-Introduction/README.md
index 403d97fd..04fb41a8 100644
--- a/translations/ar/1-Introduction/README.md
+++ b/translations/ar/1-Introduction/README.md
@@ -1,6 +1,6 @@
 # مقدمة في علم البيانات
 
-![البيانات في العمل](../../../translated_images/ar/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.jpg)  
+![البيانات في العمل](../../../translated_images/ar/data.48e22bb7617d8d92.webp)  
 > الصورة بواسطة <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ستيفن داوسون</a> على <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>  
 
 في هذه الدروس، ستتعرف على كيفية تعريف علم البيانات وستتعلم عن الاعتبارات الأخلاقية التي يجب أن يأخذها عالم البيانات بعين الاعتبار. كما ستتعرف على تعريف البيانات وستتعلم قليلاً عن الإحصاء والاحتمالات، وهما المجالان الأكاديميان الأساسيان لعلم البيانات.
diff --git a/translations/ar/2-Working-With-Data/07-python/README.md b/translations/ar/2-Working-With-Data/07-python/README.md
index 3fea6a93..235d7a96 100644
--- a/translations/ar/2-Working-With-Data/07-python/README.md
+++ b/translations/ar/2-Working-With-Data/07-python/README.md
@@ -4,7 +4,7 @@
 | :-------------------------------------------------------------------------------------------------------: |
 |                 العمل مع بايثون - _رسم توضيحي بواسطة [@nitya](https://twitter.com/nitya)_                 |
 
-[![فيديو مقدمة](../../../../translated_images/ar/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.png)](https://youtu.be/dZjWOGbsN4Y)
+[![فيديو مقدمة](../../../../translated_images/ar/video-ds-python.245247dc811db8e4.webp)](https://youtu.be/dZjWOGbsN4Y)
 
 بينما توفر قواعد البيانات طرقًا فعالة جدًا لتخزين البيانات واستعلامها باستخدام لغات الاستعلام، فإن الطريقة الأكثر مرونة لمعالجة البيانات هي كتابة برنامج خاص بك لمعالجتها. في كثير من الحالات، يكون إجراء استعلام قاعدة بيانات أكثر فعالية. ومع ذلك، في بعض الحالات التي تتطلب معالجة بيانات أكثر تعقيدًا، لا يمكن القيام بذلك بسهولة باستخدام SQL.  
 يمكن برمجة معالجة البيانات بأي لغة برمجة، ولكن هناك لغات معينة تعتبر عالية المستوى فيما يتعلق بالعمل مع البيانات. يفضل علماء البيانات عادةً إحدى اللغات التالية:
@@ -64,7 +64,7 @@ print(f"Length of index is {len(idx)}")
 items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
 items_sold.plot()
 ```
-![رسم بياني للسلاسل الزمنية](../../../../translated_images/ar/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.png)
+![رسم بياني للسلاسل الزمنية](../../../../translated_images/ar/timeseries-1.80de678ab1cf727e.webp)
 
 الآن افترض أننا ننظم حفلة للأصدقاء كل أسبوع، ونأخذ 10 عبوات إضافية من الآيس كريم للحفلة. يمكننا إنشاء سلسلة أخرى، مفهرسة حسب الأسبوع، لتوضيح ذلك:
 ```python
@@ -75,7 +75,7 @@ additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"
 total_items = items_sold.add(additional_items,fill_value=0)
 total_items.plot()
 ```
-![رسم بياني للسلاسل الزمنية](../../../../translated_images/ar/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.png)
+![رسم بياني للسلاسل الزمنية](../../../../translated_images/ar/timeseries-2.aae51d575c55181c.webp)
 
 > **ملاحظة** أننا لا نستخدم الصيغة البسيطة `total_items+additional_items`. إذا فعلنا ذلك، فسنحصل على الكثير من القيم `NaN` (*ليس رقمًا*) في السلسلة الناتجة. هذا لأن هناك قيم مفقودة لبعض نقاط الفهرس في سلسلة `additional_items`، وإضافة `NaN` إلى أي شيء يؤدي إلى `NaN`. لذلك نحتاج إلى تحديد معلمة `fill_value` أثناء الجمع.
 
@@ -84,7 +84,7 @@ total_items.plot()
 monthly = total_items.resample("1M").mean()
 ax = monthly.plot(kind='bar')
 ```
-![متوسطات السلاسل الزمنية الشهرية](../../../../translated_images/ar/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.png)
+![متوسطات السلاسل الزمنية الشهرية](../../../../translated_images/ar/timeseries-3.f3147cbc8c624881.webp)
 
 ### إطار البيانات
 
@@ -210,7 +210,7 @@ df = pd.read_csv('file.csv')
 
 نظرًا لأننا نريد توضيح كيفية التعامل مع البيانات، ندعوك لفتح [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) وقراءته من البداية إلى النهاية. يمكنك أيضًا تنفيذ الخلايا، والقيام ببعض التحديات التي تركناها لك في النهاية.
 
-![انتشار COVID](../../../../translated_images/ar/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.png)
+![انتشار COVID](../../../../translated_images/ar/covidspread.f3d131c4f1d260ab.webp)
 
 > إذا كنت لا تعرف كيفية تشغيل الكود في Jupyter Notebook، ألقِ نظرة على [هذه المقالة](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
 
@@ -232,7 +232,7 @@ df = pd.read_csv('file.csv')
 
 افتح [`notebook-papers.ipynb`](notebook-papers.ipynb) وقراءته من البداية إلى النهاية. يمكنك أيضًا تنفيذ الخلايا، والقيام ببعض التحديات التي تركناها لك في النهاية.
 
-![علاج COVID الطبي](../../../../translated_images/ar/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.png)
+![علاج COVID الطبي](../../../../translated_images/ar/covidtreat.b2ba59f57ca45fbc.webp)
 
 ## معالجة بيانات الصور
 
diff --git a/translations/ar/2-Working-With-Data/07-python/notebook-covidspread.ipynb b/translations/ar/2-Working-With-Data/07-python/notebook-covidspread.ipynb
index ccd2b8f0..b458dc46 100644
--- a/translations/ar/2-Working-With-Data/07-python/notebook-covidspread.ipynb
+++ b/translations/ar/2-Working-With-Data/07-python/notebook-covidspread.ipynb
@@ -8,7 +8,7 @@
     "\n",
     "## تحميل البيانات\n",
     "\n",
-    "سنستخدم بيانات الأفراد المصابين بكوفيد-19، المقدمة من [مركز علوم وهندسة الأنظمة](https://systems.jhu.edu/) (CSSE) في [جامعة جونز هوبكنز](https://jhu.edu/). تتوفر مجموعة البيانات في [هذا المستودع على GitHub](https://github.com/CSSEGISandData/COVID-19).\n"
+    "سنستخدم بيانات عن الأفراد المصابين بكوفيد-19، مقدمة من [مركز علوم وهندسة الأنظمة](https://systems.jhu.edu/) (CSSE) في [جامعة جونز هوبكنز](https://jhu.edu/). مجموعة البيانات متاحة في [مستودع GitHub هذا](https://github.com/CSSEGISandData/COVID-19).\n"
    ]
   },
   {
@@ -47,7 +47,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "لنحمّل الآن بيانات الأفراد المصابين ونرى كيف تبدو البيانات:\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -263,7 +265,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "يمكننا أن نرى أن كل صف من الجدول يحدد عدد الأفراد المصابين لكل دولة و/أو مقاطعة، والأعمدة تمثل التواريخ. يمكن تحميل جداول مشابهة لبيانات أخرى، مثل عدد المتعافين وعدد الوفيات.\n"
+    "يمكننا أن نرى أن كل صف من الجدول يحدد عدد الأفراد المصابين لكل دولة و/أو مقاطعة، والأعمدة تتوافق مع التواريخ. يمكن تحميل جداول مماثلة لبيانات أخرى، مثل عدد المتعافين وعدد الوفيات.\n"
    ]
   },
   {
@@ -282,7 +284,7 @@
    "source": [
     "## فهم البيانات\n",
     "\n",
-    "من الجدول أعلاه، دور عمود المقاطعة غير واضح. دعونا نلقي نظرة على القيم المختلفة الموجودة في عمود `Province/State`:\n"
+    "من الجدول أعلاه، دور عمود المحافظة غير واضح. لنرَ القيم المختلفة الموجودة في عمود `Province/State`:\n"
    ]
   },
   {
@@ -320,7 +322,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "من الأسماء يمكننا أن نستنتج أن دولًا مثل أستراليا والصين لديها تقسيمات أكثر تفصيلًا حسب المقاطعات. دعونا نبحث عن معلومات عن الصين لنرى المثال:\n"
+    "من الأسماء يمكننا استنتاج أن دولًا مثل أستراليا والصين لديها تقسيم أكثر تفصيلاً حسب المقاطعات. لنبحث عن معلومات عن الصين لرؤية المثال:\n"
    ]
   },
   {
@@ -1319,9 +1321,9 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## معالجة البيانات\n",
+    "## معالجة البيانات الأولية\n",
     "\n",
-    "نحن غير مهتمين بتقسيم الدول إلى مناطق إضافية، لذلك سنقوم أولاً بالتخلص من هذا التقسيم وجمع المعلومات لجميع المناطق معًا للحصول على بيانات البلد ككل. يمكن القيام بذلك باستخدام `groupby`:\n"
+    "لسنا مهتمين بتفصيل الدول إلى مناطق فرعية، لذلك سنقوم أولاً بالتخلص من هذا التفصيل وإضافة المعلومات لجميع المناطق معًا، للحصول على معلومات عن الدولة ككل. يمكن القيام بذلك باستخدام `groupby`:\n"
    ]
   },
   {
@@ -1576,7 +1578,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "يمكنك أن ترى أنه بسبب استخدام `groupby` أصبحت جميع إطارات البيانات الآن مفهرسة حسب البلد/المنطقة. وبالتالي يمكننا الوصول إلى البيانات الخاصة بدولة معينة باستخدام `.loc`:\n"
+    "يمكنك أن ترى أنه بفضل استخدام `groupby` أصبحت جميع إطارات البيانات مفهرسة الآن حسب البلد/المنطقة. لذلك يمكننا الوصول إلى البيانات الخاصة بدولة معينة باستخدام `.loc`:|\n"
    ]
   },
   {
@@ -1585,20 +1587,19 @@
    "metadata": {},
    "outputs": [
     {
+     "output_type": "display_data",
      "data": {
-      "image/png": "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",
-      "image/svg+xml": "<?xml version=\"1.0\" encoding=\"utf-8\" standalone=\"no\"?>\r\n<!DOCTYPE svg PUBLIC \"-//W3C//DTD SVG 1.1//EN\"\r\n  \"http://www.w3.org/Graphics/SVG/1.1/DTD/svg11.dtd\">\r\n<svg height=\"207.996562pt\" version=\"1.1\" viewBox=\"0 0 585.7625 207.996562\" width=\"585.7625pt\" xmlns=\"http://www.w3.org/2000/svg\" xmlns:xlink=\"http://www.w3.org/1999/xlink\">\r\n <metadata>\r\n  <rdf:RDF xmlns:cc=\"http://creativecommons.org/ns#\" xmlns:dc=\"http://purl.org/dc/elements/1.1/\" xmlns:rdf=\"http://www.w3.org/1999/02/22-rdf-syntax-ns#\">\r\n   <cc:Work>\r\n    <dc:type rdf:resource=\"http://purl.org/dc/dcmitype/StillImage\"/>\r\n    <dc:date>2021-08-30T11:16:56.636352</dc:date>\r\n    <dc:format>image/svg+xml</dc:format>\r\n    <dc:creator>\r\n     <cc:Agent>\r\n      <dc:title>Matplotlib v3.4.2, https://matplotlib.org/</dc:title>\r\n     </cc:Agent>\r\n    </dc:creator>\r\n   </cc:Work>\r\n  </rdf:RDF>\r\n </metadata>\r\n <defs>\r\n  <style type=\"text/css\">*{stroke-linecap:butt;stroke-linejoin:round;}</style>\r\n </defs>\r\n <g id=\"figure_1\">\r\n  <g id=\"patch_1\">\r\n   <path d=\"M 0 207.996562 \r\nL 585.7625 207.996562 \r\nL 585.7625 0 \r\nL 0 0 \r\nz\r\n\" style=\"fill:#ffffff;\"/>\r\n  </g>\r\n  <g id=\"axes_1\">\r\n   <g id=\"patch_2\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 578.5625 184.118437 \r\nL 578.5625 17.798437 \r\nL 20.5625 17.798437 \r\nz\r\n\" style=\"fill:#ffffff;\"/>\r\n   </g>\r\n   <g id=\"matplotlib.axis_1\">\r\n    <g id=\"xtick_1\">\r\n     <g id=\"line2d_1\">\r\n      <defs>\r\n       <path d=\"M 0 0 \r\nL 0 3.5 \r\n\" id=\"m2e330da247\" style=\"stroke:#000000;stroke-width:0.8;\"/>\r\n      </defs>\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"45.926136\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_1\">\r\n      <!-- 1/22/20 -->\r\n      <g transform=\"translate(26.651136 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 794 531 \r\nL 1825 531 \r\nL 1825 4091 \r\nL 703 3866 \r\nL 703 4441 \r\nL 1819 4666 \r\nL 2450 4666 \r\nL 2450 531 \r\nL 3481 531 \r\nL 3481 0 \r\nL 794 0 \r\nL 794 531 \r\nz\r\n\" id=\"DejaVuSans-31\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 1625 4666 \r\nL 2156 4666 \r\nL 531 -594 \r\nL 0 -594 \r\nL 1625 4666 \r\nz\r\n\" id=\"DejaVuSans-2f\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 1228 531 \r\nL 3431 531 \r\nL 3431 0 \r\nL 469 0 \r\nL 469 531 \r\nQ 828 903 1448 1529 \r\nQ 2069 2156 2228 2338 \r\nQ 2531 2678 2651 2914 \r\nQ 2772 3150 2772 3378 \r\nQ 2772 3750 2511 3984 \r\nQ 2250 4219 1831 4219 \r\nQ 1534 4219 1204 4116 \r\nQ 875 4013 500 3803 \r\nL 500 4441 \r\nQ 881 4594 1212 4672 \r\nQ 1544 4750 1819 4750 \r\nQ 2544 4750 2975 4387 \r\nQ 3406 4025 3406 3419 \r\nQ 3406 3131 3298 2873 \r\nQ 3191 2616 2906 2266 \r\nQ 2828 2175 2409 1742 \r\nQ 1991 1309 1228 531 \r\nz\r\n\" id=\"DejaVuSans-32\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 2034 4250 \r\nQ 1547 4250 1301 3770 \r\nQ 1056 3291 1056 2328 \r\nQ 1056 1369 1301 889 \r\nQ 1547 409 2034 409 \r\nQ 2525 409 2770 889 \r\nQ 3016 1369 3016 2328 \r\nQ 3016 3291 2770 3770 \r\nQ 2525 4250 2034 4250 \r\nz\r\nM 2034 4750 \r\nQ 2819 4750 3233 4129 \r\nQ 3647 3509 3647 2328 \r\nQ 3647 1150 3233 529 \r\nQ 2819 -91 2034 -91 \r\nQ 1250 -91 836 529 \r\nQ 422 1150 422 2328 \r\nQ 422 3509 836 4129 \r\nQ 1250 4750 2034 4750 \r\nz\r\n\" id=\"DejaVuSans-30\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_2\">\r\n     <g id=\"line2d_2\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"132.639423\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_2\">\r\n      <!-- 5/1/20 -->\r\n      <g transform=\"translate(116.545673 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 691 4666 \r\nL 3169 4666 \r\nL 3169 4134 \r\nL 1269 4134 \r\nL 1269 2991 \r\nQ 1406 3038 1543 3061 \r\nQ 1681 3084 1819 3084 \r\nQ 2600 3084 3056 2656 \r\nQ 3513 2228 3513 1497 \r\nQ 3513 744 3044 326 \r\nQ 2575 -91 1722 -91 \r\nQ 1428 -91 1123 -41 \r\nQ 819 9 494 109 \r\nL 494 744 \r\nQ 775 591 1075 516 \r\nQ 1375 441 1709 441 \r\nQ 2250 441 2565 725 \r\nQ 2881 1009 2881 1497 \r\nQ 2881 1984 2565 2268 \r\nQ 2250 2553 1709 2553 \r\nQ 1456 2553 1204 2497 \r\nQ 953 2441 691 2322 \r\nL 691 4666 \r\nz\r\n\" id=\"DejaVuSans-35\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_3\">\r\n     <g id=\"line2d_3\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"219.35271\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_3\">\r\n      <!-- 8/9/20 -->\r\n      <g transform=\"translate(203.25896 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2034 2216 \r\nQ 1584 2216 1326 1975 \r\nQ 1069 1734 1069 1313 \r\nQ 1069 891 1326 650 \r\nQ 1584 409 2034 409 \r\nQ 2484 409 2743 651 \r\nQ 3003 894 3003 1313 \r\nQ 3003 1734 2745 1975 \r\nQ 2488 2216 2034 2216 \r\nz\r\nM 1403 2484 \r\nQ 997 2584 770 2862 \r\nQ 544 3141 544 3541 \r\nQ 544 4100 942 4425 \r\nQ 1341 4750 2034 4750 \r\nQ 2731 4750 3128 4425 \r\nQ 3525 4100 3525 3541 \r\nQ 3525 3141 3298 2862 \r\nQ 3072 2584 2669 2484 \r\nQ 3125 2378 3379 2068 \r\nQ 3634 1759 3634 1313 \r\nQ 3634 634 3220 271 \r\nQ 2806 -91 2034 -91 \r\nQ 1263 -91 848 271 \r\nQ 434 634 434 1313 \r\nQ 434 1759 690 2068 \r\nQ 947 2378 1403 2484 \r\nz\r\nM 1172 3481 \r\nQ 1172 3119 1398 2916 \r\nQ 1625 2713 2034 2713 \r\nQ 2441 2713 2670 2916 \r\nQ 2900 3119 2900 3481 \r\nQ 2900 3844 2670 4047 \r\nQ 2441 4250 2034 4250 \r\nQ 1625 4250 1398 4047 \r\nQ 1172 3844 1172 3481 \r\nz\r\n\" id=\"DejaVuSans-38\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 703 97 \r\nL 703 672 \r\nQ 941 559 1184 500 \r\nQ 1428 441 1663 441 \r\nQ 2288 441 2617 861 \r\nQ 2947 1281 2994 2138 \r\nQ 2813 1869 2534 1725 \r\nQ 2256 1581 1919 1581 \r\nQ 1219 1581 811 2004 \r\nQ 403 2428 403 3163 \r\nQ 403 3881 828 4315 \r\nQ 1253 4750 1959 4750 \r\nQ 2769 4750 3195 4129 \r\nQ 3622 3509 3622 2328 \r\nQ 3622 1225 3098 567 \r\nQ 2575 -91 1691 -91 \r\nQ 1453 -91 1209 -44 \r\nQ 966 3 703 97 \r\nz\r\nM 1959 2075 \r\nQ 2384 2075 2632 2365 \r\nQ 2881 2656 2881 3163 \r\nQ 2881 3666 2632 3958 \r\nQ 2384 4250 1959 4250 \r\nQ 1534 4250 1286 3958 \r\nQ 1038 3666 1038 3163 \r\nQ 1038 2656 1286 2365 \r\nQ 1534 2075 1959 2075 \r\nz\r\n\" id=\"DejaVuSans-39\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-38\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-39\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_4\">\r\n     <g id=\"line2d_4\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"306.065997\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_4\">\r\n      <!-- 11/17/20 -->\r\n      <g transform=\"translate(283.609747 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 525 4666 \r\nL 3525 4666 \r\nL 3525 4397 \r\nL 1831 0 \r\nL 1172 0 \r\nL 2766 4134 \r\nL 525 4134 \r\nL 525 4666 \r\nz\r\n\" id=\"DejaVuSans-37\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"127.246094\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-37\"/>\r\n       <use x=\"288.183594\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"385.498047\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_5\">\r\n     <g id=\"line2d_5\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"392.779283\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_5\">\r\n      <!-- 2/25/21 -->\r\n      <g transform=\"translate(373.504283 198.716875)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_6\">\r\n     <g id=\"line2d_6\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"479.49257\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_6\">\r\n      <!-- 6/5/21 -->\r\n      <g transform=\"translate(463.39882 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2113 2584 \r\nQ 1688 2584 1439 2293 \r\nQ 1191 2003 1191 1497 \r\nQ 1191 994 1439 701 \r\nQ 1688 409 2113 409 \r\nQ 2538 409 2786 701 \r\nQ 3034 994 3034 1497 \r\nQ 3034 2003 2786 2293 \r\nQ 2538 2584 2113 2584 \r\nz\r\nM 3366 4563 \r\nL 3366 3988 \r\nQ 3128 4100 2886 4159 \r\nQ 2644 4219 2406 4219 \r\nQ 1781 4219 1451 3797 \r\nQ 1122 3375 1075 2522 \r\nQ 1259 2794 1537 2939 \r\nQ 1816 3084 2150 3084 \r\nQ 2853 3084 3261 2657 \r\nQ 3669 2231 3669 1497 \r\nQ 3669 778 3244 343 \r\nQ 2819 -91 2113 -91 \r\nQ 1303 -91 875 529 \r\nQ 447 1150 447 2328 \r\nQ 447 3434 972 4092 \r\nQ 1497 4750 2381 4750 \r\nQ 2619 4750 2861 4703 \r\nQ 3103 4656 3366 4563 \r\nz\r\n\" id=\"DejaVuSans-36\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-36\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_7\">\r\n     <g id=\"line2d_7\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"566.205857\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n   </g>\r\n   <g id=\"matplotlib.axis_2\">\r\n    <g id=\"ytick_1\">\r\n     <g id=\"line2d_8\">\r\n      <defs>\r\n       <path d=\"M 0 0 \r\nL -3.5 0 \r\n\" id=\"m723de82b4e\" style=\"stroke:#000000;stroke-width:0.8;\"/>\r\n      </defs>\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"176.558437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_7\">\r\n      <!-- 0 -->\r\n      <g transform=\"translate(7.2 180.357656)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_2\">\r\n     <g id=\"line2d_9\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"137.586097\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_8\">\r\n      <!-- 1 -->\r\n      <g transform=\"translate(7.2 141.385316)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_3\">\r\n     <g id=\"line2d_10\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"98.613756\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_9\">\r\n      <!-- 2 -->\r\n      <g transform=\"translate(7.2 102.412975)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-32\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_4\">\r\n     <g id=\"line2d_11\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"59.641416\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_10\">\r\n      <!-- 3 -->\r\n      <g transform=\"translate(7.2 63.440634)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2597 2516 \r\nQ 3050 2419 3304 2112 \r\nQ 3559 1806 3559 1356 \r\nQ 3559 666 3084 287 \r\nQ 2609 -91 1734 -91 \r\nQ 1441 -91 1130 -33 \r\nQ 819 25 488 141 \r\nL 488 750 \r\nQ 750 597 1062 519 \r\nQ 1375 441 1716 441 \r\nQ 2309 441 2620 675 \r\nQ 2931 909 2931 1356 \r\nQ 2931 1769 2642 2001 \r\nQ 2353 2234 1838 2234 \r\nL 1294 2234 \r\nL 1294 2753 \r\nL 1863 2753 \r\nQ 2328 2753 2575 2939 \r\nQ 2822 3125 2822 3475 \r\nQ 2822 3834 2567 4026 \r\nQ 2313 4219 1838 4219 \r\nQ 1578 4219 1281 4162 \r\nQ 984 4106 628 3988 \r\nL 628 4550 \r\nQ 988 4650 1302 4700 \r\nQ 1616 4750 1894 4750 \r\nQ 2613 4750 3031 4423 \r\nQ 3450 4097 3450 3541 \r\nQ 3450 3153 3228 2886 \r\nQ 3006 2619 2597 2516 \r\nz\r\n\" id=\"DejaVuSans-33\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-33\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_5\">\r\n     <g id=\"line2d_12\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"20.669075\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_11\">\r\n      <!-- 4 -->\r\n      <g transform=\"translate(7.2 24.468294)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2419 4116 \r\nL 825 1625 \r\nL 2419 1625 \r\nL 2419 4116 \r\nz\r\nM 2253 4666 \r\nL 3047 4666 \r\nL 3047 1625 \r\nL 3713 1625 \r\nL 3713 1100 \r\nL 3047 1100 \r\nL 3047 0 \r\nL 2419 0 \r\nL 2419 1100 \r\nL 313 1100 \r\nL 313 1709 \r\nL 2253 4666 \r\nz\r\n\" id=\"DejaVuSans-34\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-34\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"text_12\">\r\n     <!-- 1e7 -->\r\n     <g transform=\"translate(20.5625 14.798437)scale(0.1 -0.1)\">\r\n      <defs>\r\n       <path d=\"M 3597 1894 \r\nL 3597 1613 \r\nL 953 1613 \r\nQ 991 1019 1311 708 \r\nQ 1631 397 2203 397 \r\nQ 2534 397 2845 478 \r\nQ 3156 559 3463 722 \r\nL 3463 178 \r\nQ 3153 47 2828 -22 \r\nQ 2503 -91 2169 -91 \r\nQ 1331 -91 842 396 \r\nQ 353 884 353 1716 \r\nQ 353 2575 817 3079 \r\nQ 1281 3584 2069 3584 \r\nQ 2775 3584 3186 3129 \r\nQ 3597 2675 3597 1894 \r\nz\r\nM 3022 2063 \r\nQ 3016 2534 2758 2815 \r\nQ 2500 3097 2075 3097 \r\nQ 1594 3097 1305 2825 \r\nQ 1016 2553 972 2059 \r\nL 3022 2063 \r\nz\r\n\" id=\"DejaVuSans-65\" transform=\"scale(0.015625)\"/>\r\n      </defs>\r\n      <use xlink:href=\"#DejaVuSans-31\"/>\r\n      <use x=\"63.623047\" xlink:href=\"#DejaVuSans-65\"/>\r\n      <use x=\"125.146484\" xlink:href=\"#DejaVuSans-37\"/>\r\n     </g>\r\n    </g>\r\n   </g>\r\n   <g id=\"line2d_13\">\r\n    <path clip-path=\"url(#pd3db0eddf7)\" d=\"M 45.926136 176.558434 \r\nL 97.086976 176.457012 \r\nL 102.289773 176.147735 \r\nL 106.625437 175.683169 \r\nL 121.366696 173.660357 \r\nL 131.77229 172.345118 \r\nL 134.373689 172.007711 \r\nL 153.450612 170.045512 \r\nL 169.059003 168.57378 \r\nL 178.597465 167.398975 \r\nL 182.933129 166.602899 \r\nL 185.534528 166.059082 \r\nL 189.003059 165.262383 \r\nL 190.737325 164.857978 \r\nL 197.674388 162.893005 \r\nL 200.275787 162.072099 \r\nL 204.611451 160.801414 \r\nL 207.21285 160.048904 \r\nL 209.814248 159.288679 \r\nL 212.415647 158.538933 \r\nL 215.884178 157.742693 \r\nL 219.35271 156.890933 \r\nL 222.821241 156.099931 \r\nL 224.555507 155.662322 \r\nL 229.758304 154.64475 \r\nL 239.296766 152.906935 \r\nL 245.366696 151.890279 \r\nL 250.569493 151.002606 \r\nL 255.77229 150.014333 \r\nL 258.373689 149.504525 \r\nL 263.576486 148.513727 \r\nL 266.177885 147.967946 \r\nL 277.450612 145.416755 \r\nL 279.184878 144.92607 \r\nL 280.919143 144.469766 \r\nL 283.520542 143.684212 \r\nL 286.121941 142.799914 \r\nL 288.723339 141.928594 \r\nL 293.059003 140.096317 \r\nL 298.261801 137.244247 \r\nL 299.996066 136.227311 \r\nL 301.730332 135.013322 \r\nL 303.464598 133.655822 \r\nL 305.198864 132.490627 \r\nL 306.933129 131.176445 \r\nL 309.534528 128.957831 \r\nL 311.268794 127.706679 \r\nL 313.003059 126.307778 \r\nL 313.870192 125.869238 \r\nL 314.737325 125.058874 \r\nL 318.205857 122.546526 \r\nL 319.940122 120.885077 \r\nL 321.674388 119.137343 \r\nL 323.408654 117.6733 \r\nL 328.611451 112.511862 \r\nL 330.345717 110.940084 \r\nL 332.947115 108.06246 \r\nL 336.415647 105.034594 \r\nL 338.149913 103.383028 \r\nL 339.017045 103.001566 \r\nL 339.884178 102.11917 \r\nL 341.618444 100.833095 \r\nL 343.35271 99.14127 \r\nL 344.219843 98.223082 \r\nL 345.086976 97.623235 \r\nL 345.954108 96.452265 \r\nL 348.555507 94.005191 \r\nL 350.289773 91.92417 \r\nL 352.024038 89.756434 \r\nL 355.49257 86.30603 \r\nL 358.093969 83.654336 \r\nL 364.163899 78.83587 \r\nL 365.898164 77.73344 \r\nL 368.499563 75.900216 \r\nL 370.233829 74.69569 \r\nL 372.835227 73.283216 \r\nL 376.303759 71.395805 \r\nL 380.639423 69.538917 \r\nL 382.373689 68.810567 \r\nL 392.779283 65.650791 \r\nL 394.513549 65.097481 \r\nL 397.98208 64.186273 \r\nL 400.583479 63.435147 \r\nL 403.184878 62.875282 \r\nL 412.723339 60.456807 \r\nL 414.457605 60.124536 \r\nL 415.324738 59.915302 \r\nL 417.926136 59.011685 \r\nL 429.198864 55.722712 \r\nL 430.933129 55.140477 \r\nL 432.667395 54.686122 \r\nL 437.003059 53.282026 \r\nL 438.737325 52.852449 \r\nL 443.940122 51.530738 \r\nL 447.408654 50.705284 \r\nL 449.14292 50.302661 \r\nL 450.877185 49.991295 \r\nL 460.415647 48.343396 \r\nL 467.35271 47.527343 \r\nL 469.954108 47.287967 \r\nL 474.289773 46.929351 \r\nL 476.891171 46.751513 \r\nL 481.226836 46.475873 \r\nL 508.107955 44.86893 \r\nL 508.975087 44.680924 \r\nL 511.576486 44.485224 \r\nL 514.177885 44.147408 \r\nL 515.045017 43.838319 \r\nL 516.779283 43.740857 \r\nL 520.247815 42.947037 \r\nL 521.114948 42.48265 \r\nL 522.849213 42.322805 \r\nL 524.583479 41.698866 \r\nL 526.317745 41.126202 \r\nL 527.184878 40.367769 \r\nL 528.919143 40.141928 \r\nL 530.653409 39.227898 \r\nL 532.387675 38.43856 \r\nL 533.254808 37.44484 \r\nL 534.989073 37.178596 \r\nL 535.856206 36.459935 \r\nL 537.590472 35.516839 \r\nL 538.457605 35.062636 \r\nL 539.324738 33.929164 \r\nL 541.059003 33.612752 \r\nL 541.926136 32.793557 \r\nL 544.527535 31.214441 \r\nL 545.394668 29.969446 \r\nL 547.128934 29.594482 \r\nL 547.996066 28.698776 \r\nL 549.730332 27.594347 \r\nL 550.597465 26.965602 \r\nL 551.464598 25.707053 \r\nL 553.198864 25.358437 \r\nL 553.198864 25.358437 \r\n\" style=\"fill:none;stroke:#1f77b4;stroke-linecap:square;stroke-width:1.5;\"/>\r\n   </g>\r\n   <g id=\"line2d_14\">\r\n    <path clip-path=\"url(#pd3db0eddf7)\" d=\"M 45.926136 176.558437 \r\nL 113.5625 176.459409 \r\nL 130.905157 176.087963 \r\nL 132.639423 175.919233 \r\nL 136.107955 175.818778 \r\nL 140.443619 175.715976 \r\nL 143.045017 175.609734 \r\nL 148.247815 175.430609 \r\nL 149.98208 175.395433 \r\nL 150.849213 175.193879 \r\nL 167.324738 174.479248 \r\nL 180.331731 173.972381 \r\nL 185.534528 173.71348 \r\nL 186.401661 173.510917 \r\nL 187.268794 173.478048 \r\nL 188.135927 173.073044 \r\nL 195.940122 172.53673 \r\nL 203.744318 171.839476 \r\nL 213.28278 170.834613 \r\nL 214.149913 170.660184 \r\nL 215.017045 170.599648 \r\nL 216.751311 170.328226 \r\nL 219.35271 170.101251 \r\nL 220.219843 170.047114 \r\nL 222.821241 169.642219 \r\nL 240.163899 167.860758 \r\nL 241.898164 167.659283 \r\nL 257.506556 166.242619 \r\nL 287.856206 162.966187 \r\nL 298.261801 161.431359 \r\nL 303.464598 160.39098 \r\nL 304.331731 160.287937 \r\nL 306.065997 159.825117 \r\nL 309.534528 158.905136 \r\nL 310.401661 158.917557 \r\nL 311.268794 158.500214 \r\nL 312.135927 158.254439 \r\nL 313.003059 157.711585 \r\nL 313.870192 157.574219 \r\nL 315.604458 156.982385 \r\nL 316.471591 156.81883 \r\nL 326.010052 153.233308 \r\nL 326.877185 152.647683 \r\nL 327.744318 152.213956 \r\nL 328.611451 152.013338 \r\nL 329.478584 176.558437 \r\nL 553.198864 176.558437 \r\nL 553.198864 176.558437 \r\n\" style=\"fill:none;stroke:#ff7f0e;stroke-linecap:square;stroke-width:1.5;\"/>\r\n   </g>\r\n   <g id=\"patch_3\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 20.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_4\">\r\n    <path d=\"M 578.5625 184.118437 \r\nL 578.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_5\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 578.5625 184.118437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_6\">\r\n    <path d=\"M 20.5625 17.798437 \r\nL 578.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n  </g>\r\n </g>\r\n <defs>\r\n  <clipPath id=\"pd3db0eddf7\">\r\n   <rect height=\"166.32\" width=\"558\" x=\"20.5625\" y=\"17.798437\"/>\r\n  </clipPath>\r\n </defs>\r\n</svg>\r\n",
+      "image/png": "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",
       "text/plain": [
-       "<Figure size 1000x300 with 1 Axes>"
+       "<Figure size 640x480 with 1 Axes>"
       ]
      },
-     "metadata": {},
-     "output_type": "display_data"
+     "metadata": {}
     }
    ],
    "source": [
-    "infected.loc['US'][2:].plot()\n",
-    "recovered.loc['US'][2:].plot()\n",
+    "infected.loc['US'][3:].plot()\n",
+    "recovered.loc['US'][3:].plot()\n",
     "plt.show()"
    ]
   },
@@ -1606,7 +1607,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "> **ملاحظة** كيف نستخدم `[2:]` لإزالة أول عنصرين من تسلسل يحتوي على الموقع الجغرافي لدولة. يمكننا أيضًا حذف هذين العمودين تمامًا:\n"
+    "> **ملاحظة** كيف نستخدم `[3:]` لإزالة العناصر الثلاثة الأولى من تسلسل يحتوي على بيانات وصفية غير تاريخية (عمود المقاطعة/الولاية وعمود الموقع الجغرافي). يمكننا أيضًا حذف هذه الأعمدة الثلاثة تمامًا:\n"
    ]
   },
   {
@@ -1615,9 +1616,9 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "infected.drop(columns=['Lat','Long'],inplace=True)\n",
-    "recovered.drop(columns=['Lat','Long'],inplace=True)\n",
-    "deaths.drop(columns=['Lat','Long'],inplace=True)"
+    "infected.drop(columns=['Lat','Long','Province/State'],inplace=True)\n",
+    "recovered.drop(columns=['Lat','Long','Province/State'],inplace=True)\n",
+    "deaths.drop(columns=['Lat','Long','Province/State'],inplace=True)"
    ]
   },
   {
@@ -1626,7 +1627,7 @@
    "source": [
     "## التحقيق في البيانات\n",
     "\n",
-    "لننتقل الآن إلى التحقيق في دولة معينة. دعونا ننشئ إطارًا يحتوي على بيانات الإصابات مفهرسة حسب التاريخ:\n"
+    "لننتقل الآن للتحقيق في بلد معين. لنقم بإنشاء إطار يحتوي على بيانات الإصابات مفهرسة حسب التاريخ:\n"
    ]
   },
   {
@@ -1756,7 +1757,7 @@
    ],
    "source": [
     "def mkframe(country):\n",
-    "    df = pd.DataFrame({ 'infected' : infected.loc[country] ,\n",
+    "    df = pd.DataFrame({ 'infected' : infected.loc[country],\n",
     "                        'recovered' : recovered.loc[country],\n",
     "                        'deaths' : deaths.loc[country]})\n",
     "    df.index = pd.to_datetime(df.index)\n",
@@ -1792,7 +1793,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "الآن دعونا نحسب عدد الأشخاص المصابين الجدد كل يوم. سيسمح لنا ذلك برؤية سرعة تقدم الوباء. أسهل طريقة للقيام بذلك هي استخدام `diff`:\n"
+    "الآن دعونا نحسب عدد الأشخاص المصابين الجدد كل يوم. سيسمح لنا ذلك برؤية سرعة تقدم الجائحة. أسهل طريقة للقيام بذلك هي استخدام `diff`:\n"
    ]
   },
   {
@@ -1822,7 +1823,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "يمكننا رؤية تقلبات كبيرة في البيانات. دعونا ننظر عن كثب إلى أحد الأشهر:\n"
+    "يمكننا أن نرى تقلبات عالية في البيانات. لننظر عن كثب إلى أحد الشهور:\n"
    ]
   },
   {
@@ -1851,7 +1852,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "يبدو بوضوح أن هناك تقلبات أسبوعية في البيانات. لأننا نريد أن نتمكن من رؤية الاتجاهات، فمن المنطقي تنعيم المنحنى عن طريق حساب المتوسط المتحرك (أي لكل يوم سنحسب القيمة المتوسطة للأيام السابقة):\n"
+    "من الواضح أن هناك تقلبات أسبوعية في البيانات. وبما أننا نريد أن نتمكن من رؤية الاتجاهات، فمن المنطقي تنعيم المنحنى عن طريق حساب المتوسط المتحرك (أي لكل يوم سنحسب القيمة المتوسطة للأيام السابقة عدة أيام):\n"
    ]
   },
   {
@@ -1881,7 +1882,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "للمقارنة بين عدة دول، قد نرغب في أخذ عدد سكان الدولة في الاعتبار، ومقارنة نسبة الأفراد المصابين بالنسبة لعدد سكان الدولة. للحصول على عدد سكان الدولة، دعونا نقوم بتحميل مجموعة بيانات الدول:\n"
+    "لكي نتمكن من مقارنة عدة دول، قد نرغب في أخذ عدد سكان الدولة في الاعتبار، ومقارنة نسبة الأفراد المصابين بالنسبة إلى عدد سكان الدولة. للحصول على عدد سكان الدولة، دعونا نحمل مجموعة بيانات الدول:\n"
    ]
   },
   {
@@ -2152,7 +2153,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "لأن مجموعة البيانات هذه تحتوي على معلومات عن كل من البلدان والمحافظات، للحصول على عدد سكان البلد بأكمله نحتاج إلى أن نكون أكثر ذكاءً:\n"
+    "نظرًا لأن مجموعة البيانات هذه تحتوي على معلومات عن كل من الدول والمحافظات، للحصول على عدد سكان البلد بأكمله نحتاج إلى أن نكون أكثر ذكاءً قليلاً:\n"
    ]
   },
   {
@@ -2262,12 +2263,13 @@
    "source": [
     "## حساب $R_t$\n",
     "\n",
-    "لمعرفة مدى عدوى المرض، ننظر إلى **رقم التكاثر الأساسي** $R_0$، الذي يشير إلى عدد الأشخاص الذين يمكن أن يصيبهم شخص مصاب. عندما يكون $R_0$ أكبر من 1، فمن المحتمل أن ينتشر الوباء.\n",
+    "لمعرفة مدى عدوى المرض، ننظر إلى **عدد التكاثر الأساسي** $R_0$، الذي يشير إلى عدد الأشخاص الذين قد يُعديهم الشخص المصاب. عندما يكون $R_0$ أكثر من 1، فمن المحتمل أن ينتشر الوباء.\n",
     "\n",
-    "$R_0$ هو خاصية للمرض نفسه، ولا يأخذ في الاعتبار بعض التدابير الوقائية التي قد يتخذها الناس لإبطاء انتشار الوباء. خلال تطور الوباء، يمكننا تقدير رقم التكاثر $R_t$ في أي وقت معين $t$. وقد تبين أنه يمكن تقدير هذا الرقم تقريبًا من خلال أخذ نافذة زمنية مدتها 8 أيام، وحساب $$R_t=\\frac{I_{t-7}+I_{t-6}+I_{t-5}+I_{t-4}}{I_{t-3}+I_{t-2}+I_{t-1}+I_t}$$\n",
-    "حيث $I_t$ هو عدد الأفراد المصابين حديثًا في اليوم $t$.\n",
+    "$R_0$ هو خاص بمرض نفسه، ولا يأخذ في الاعتبار بعض التدابير الوقائية التي قد يتخذها الناس لإبطاء الوباء. أثناء تقدم الوباء، يمكننا تقدير عدد التكاثر $R_t$ في أي وقت معين $t$. وقد تبين أن هذا الرقم يمكن تقديره تقريبا بأخذ نافذة زمنية لمدة 8 أيام، وحساب \n",
+    "$$R_t=\\frac{I_{t-7}+I_{t-6}+I_{t-5}+I_{t-4}}{I_{t-3}+I_{t-2}+I_{t-1}+I_t}$$\n",
+    "حيث $I_t$ هو عدد الأفراد المصابين حديثًا في يوم $t$.\n",
     "\n",
-    "دعونا نحسب $R_t$ لبيانات الوباء الخاصة بنا. للقيام بذلك، سنأخذ نافذة متحركة من 8 قيم `ninfected`، ونطبق الدالة لحساب النسبة المذكورة أعلاه:\n"
+    "دعونا نحسب $R_t$ لبيانات الوباء الخاصة بنا. للقيام بذلك، سوف نأخذ نافذة متداخلة من 8 قيم لـ `ninfected`، ونطبق الدالة لحساب النسبة المذكورة أعلاه:\n"
    ]
   },
   {
@@ -2297,9 +2299,9 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "يمكنك ملاحظة وجود بعض الفجوات في الرسم البياني. قد تكون هذه الفجوات ناتجة عن وجود قيم `NaN` أو `inf` في مجموعة البيانات. يمكن أن تظهر `inf` نتيجة القسمة على 0، بينما تشير `NaN` إلى بيانات مفقودة أو عدم توفر بيانات لحساب النتيجة (كما هو الحال في بداية الإطار الزمني لدينا، حيث لم تكن نافذة التمرير بعرض 8 متاحة بعد). لجعل الرسم البياني أكثر وضوحًا، نحتاج إلى ملء هذه القيم باستخدام دالتي `replace` و `fillna`.\n",
+    "يمكنك أن ترى أن هناك بعض الفجوات في الرسم البياني. يمكن أن تكون هذه ناجمة إما عن `NaN`، إذا كانت قيم `inf` موجودة في مجموعة البيانات. قد يكون سبب `inf` هو القسمة على صفر، و`NaN` يمكن أن تشير إلى بيانات مفقودة، أو عدم توفر بيانات لحساب النتيجة (كما في بداية إطارنا حيث لم يتوفر بعد نافذة متحركة بعرض 8). لجعل الرسم البياني أجمل، نحتاج إلى ملء تلك القيم باستخدام دالتي `replace` و `fillna`.\n",
     "\n",
-    "دعونا نلقي نظرة أعمق على بداية الجائحة. سنقوم أيضًا بتقييد قيم المحور y لعرض القيم التي تقل عن 6 فقط، لتحسين الرؤية، ورسم خط أفقي عند القيمة 1.\n"
+    "لنلقي نظرة أعمق على بداية الجائحة. سنقوم أيضًا بتقييد قيم المحور الصادي لإظهار القيم التي تقل عن 6 فقط، من أجل الرؤية بشكل أفضل، ورسم خط أفقي عند القيمة 1.\n"
    ]
   },
   {
@@ -2330,7 +2332,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "مؤشر آخر مثير للاهتمام للجائحة هو **المشتق** أو **الفرق اليومي** في الحالات الجديدة. يتيح لنا رؤية واضحة عندما تكون الجائحة في تزايد أو تناقص.\n"
+    "مؤشر آخر مثير للاهتمام للجائحة هو **المشتقة**، أو **الفرق اليومي** في الحالات الجديدة. يتيح لنا رؤية واضحة متى ترتفع الجائحة أو تنخفض.\n"
    ]
   },
   {
@@ -2359,7 +2361,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "نظرًا لوجود الكثير من التقلبات في البيانات الناتجة عن الإبلاغ، فمن المنطقي تنعيم المنحنى عن طريق تشغيل المتوسط المتحرك للحصول على الصورة العامة. دعونا نركز مرة أخرى على الأشهر الأولى من الجائحة:\n"
+    "نظرًا لوجود العديد من التقلبات في البيانات الناتجة عن التقارير، فمن المنطقي تنعيم المنحنى عن طريق تشغيل المتوسط المتحرك للحصول على الصورة العامة. دعونا نركز مرة أخرى على الأشهر الأولى من الجائحة:\n"
    ]
   },
   {
@@ -2391,12 +2393,12 @@
    "source": [
     "## التحدي\n",
     "\n",
-    "حان الوقت الآن لتجربة المزيد مع الكود والبيانات! إليك بعض الاقتراحات التي يمكنك تجربتها:\n",
-    "* استكشاف انتشار الجائحة في دول مختلفة.\n",
-    "* رسم مخططات $R_t$ لعدة دول على مخطط واحد للمقارنة، أو إنشاء عدة مخططات بجانب بعضها البعض.\n",
-    "* دراسة كيفية ارتباط عدد الوفيات وحالات التعافي بعدد الحالات المصابة.\n",
-    "* محاولة معرفة مدة استمرار المرض النموذجي من خلال الربط البصري بين معدل الإصابة ومعدل الوفيات والبحث عن بعض الشذوذات. قد تحتاج إلى النظر في دول مختلفة لاكتشاف ذلك.\n",
-    "* حساب معدل الوفيات وكيف يتغير مع مرور الوقت. قد ترغب في أخذ مدة المرض بالأيام في الاعتبار لتحريك سلسلة زمنية واحدة قبل إجراء الحسابات.\n"
+    "حان الوقت الآن لتلعب أكثر مع الكود والبيانات! إليك بعض الاقتراحات التي يمكنك تجربتها:  \n",
+    "* راقب انتشار الوباء في دول مختلفة.  \n",
+    "* ارسم مخططات $R_t$ لعدة دول على مخطط واحد للمقارنة، أو ارسم عدة مخططات جنبًا إلى جنب  \n",
+    "* راقب كيف يرتبط عدد الوفيات والتعافي بعدد الحالات المصابة.  \n",
+    "* حاول معرفة مدة بقاء المرض النموذجية من خلال الربط البصري بين معدل الإصابة ومعدل الوفيات والبحث عن بعض الشذوذات. قد تحتاج إلى النظر إلى دول مختلفة لاكتشاف ذلك.  \n",
+    "* حساب معدل الوفيات وكيف يتغير مع مرور الوقت. قد ترغب في أخذ مدة المرض بالأيام في الاعتبار لتحويل إحدى السلاسل الزمنية قبل إجراء الحسابات.\n"
    ]
   },
   {
@@ -2405,10 +2407,10 @@
    "source": [
     "## المراجع\n",
     "\n",
-    "يمكنك الاطلاع على دراسات إضافية حول انتشار وباء COVID في المنشورات التالية:\n",
-    "* [Sliding SIR Model لتقدير Rt خلال جائحة COVID](https://soshnikov.com/science/sliding-sir-model-for-rt-estimation/)، منشور مدونة بواسطة [Dmitry Soshnikov](http://soshnikov.com)\n",
-    "* T.Petrova, D.Soshnikov, A.Grunin. [تقدير الرقم التكاثري المتغير مع الزمن لتفشي COVID-19 العالمي](https://www.preprints.org/manuscript/202006.0289/v1). *Preprints* **2020**، 2020060289 (doi: 10.20944/preprints202006.0289.v1)\n",
-    "* [الكود الخاص بالورقة أعلاه على GitHub](https://github.com/shwars/SlidingSIR)\n"
+    "يمكنك الاطلاع على دراسات إضافية حول انتشار وباء كوفيد في المنشورات التالية:\n",
+    "* [نموذج SIR المتحرك لتقدير Rt خلال جائحة كوفيد](https://soshnikov.com/science/sliding-sir-model-for-rt-estimation/)، تدوينة من قبل [دميتري سوشنيكوف](http://soshnikov.com)\n",
+    "* ت. بتروفا، د. سوشنيكوف، أ. جرونين. [تقدير رقم التكاثر الزمني للاختلاج العالمي لكوفيد-19](https://www.preprints.org/manuscript/202006.0289/v1). *المطبوعات الأولية* **2020**، 2020060289 (المعرف الرقمي: 10.20944/preprints202006.0289.v1)\n",
+    "* [كود الورقة السابقة على GitHub](https://github.com/shwars/SlidingSIR)\n"
    ]
   },
   {
@@ -2422,7 +2424,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**إخلاء المسؤولية**:  \nتم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**إخلاء المسؤولية**:  \nتم ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر المعتمد. بالنسبة للمعلومات الهامة، يُنصح بالترجمة المهنية البشرية. نحن غير مسؤولين عن أي سوء فهم أو تحريف ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -2446,13 +2448,7 @@
    "pygments_lexer": "ipython3",
    "version": "3.8.8"
   },
-  "orig_nbformat": 4,
-  "coopTranslator": {
-   "original_hash": "68a0ada1dae45c7d1d3519aa0a6d1a0f",
-   "translation_date": "2025-09-01T20:42:44+00:00",
-   "source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
-   "language_code": "ar"
-  }
+  "orig_nbformat": 4
  },
  "nbformat": 4,
  "nbformat_minor": 2
diff --git a/translations/ar/2-Working-With-Data/README.md b/translations/ar/2-Working-With-Data/README.md
index e7169e1f..adb7f8ef 100644
--- a/translations/ar/2-Working-With-Data/README.md
+++ b/translations/ar/2-Working-With-Data/README.md
@@ -1,6 +1,6 @@
 # العمل مع البيانات
 
-![حب البيانات](../../../translated_images/ar/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.jpg)  
+![حب البيانات](../../../translated_images/ar/data-love.a22ef29e6742c852.webp)  
 > الصورة بواسطة <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ألكسندر سين</a> على <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
 
 في هذه الدروس، ستتعلم بعض الطرق التي يمكن من خلالها إدارة البيانات ومعالجتها واستخدامها في التطبيقات. ستتعرف على قواعد البيانات العلائقية وغير العلائقية وكيف يمكن تخزين البيانات فيها. ستتعلم أساسيات العمل مع Python لإدارة البيانات، وستكتشف بعض الطرق العديدة التي يمكنك من خلالها استخدام Python لإدارة البيانات واستخراجها.
diff --git a/translations/ar/3-Data-Visualization/12-visualization-relationships/README.md b/translations/ar/3-Data-Visualization/12-visualization-relationships/README.md
index b3bf2d0d..936c8798 100644
--- a/translations/ar/3-Data-Visualization/12-visualization-relationships/README.md
+++ b/translations/ar/3-Data-Visualization/12-visualization-relationships/README.md
@@ -42,7 +42,7 @@ honey.head()
 ```python
 sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
 ```
-![scatterplot 1](../../../../translated_images/ar/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.png)
+![scatterplot 1](../../../../translated_images/ar/scatter1.5e1aa5fd6706c5d1.webp)
 
 الآن، اعرض نفس البيانات باستخدام نظام ألوان يشبه العسل لعرض كيفية تطور السعر على مدار السنوات. يمكنك القيام بذلك عن طريق إضافة معلمة 'hue' لعرض التغيير عامًا بعد عام:
 
@@ -51,7 +51,7 @@ sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
 ```python
 sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
 ```
-![scatterplot 2](../../../../translated_images/ar/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.png)
+![scatterplot 2](../../../../translated_images/ar/scatter2.c0041a58621ca702.webp)
 
 مع هذا التغيير في نظام الألوان، يمكنك أن ترى بوضوح تقدمًا قويًا على مدار السنوات فيما يتعلق بسعر العسل لكل رطل. بالفعل، إذا نظرت إلى مجموعة بيانات للتحقق (اختر ولاية معينة، مثل أريزونا)، يمكنك رؤية نمط زيادة الأسعار عامًا بعد عام، مع بعض الاستثناءات:
 
@@ -80,7 +80,7 @@ sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspec
 ```
 يمكنك رؤية حجم النقاط يزداد تدريجيًا.
 
-![scatterplot 3](../../../../translated_images/ar/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.png)
+![scatterplot 3](../../../../translated_images/ar/scatter3.3c160a3d1dcb36b3.webp)
 
 هل هذا مجرد حالة بسيطة من العرض والطلب؟ بسبب عوامل مثل تغير المناخ وانهيار المستعمرات، هل هناك كمية أقل من العسل المتاحة للشراء عامًا بعد عام، وبالتالي ترتفع الأسعار؟
 
@@ -95,7 +95,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
 ```
 الإجابة: نعم، مع بعض الاستثناءات حول عام 2003:
 
-![line chart 1](../../../../translated_images/ar/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.png)
+![line chart 1](../../../../translated_images/ar/line1.f36eb465229a3b1f.webp)
 
 ✅ لأن Seaborn يقوم بتجميع البيانات حول خط واحد، فإنه يعرض "القياسات المتعددة عند كل قيمة x عن طريق رسم المتوسط وفاصل الثقة بنسبة 95% حول المتوسط". [المصدر](https://seaborn.pydata.org/tutorial/relational.html). يمكن تعطيل هذا السلوك الذي يستغرق وقتًا عن طريق إضافة `ci=None`.
 
@@ -105,7 +105,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
 sns.relplot(x="year", y="totalprod", kind="line", data=honey);
 ```
 
-![line chart 2](../../../../translated_images/ar/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.png)
+![line chart 2](../../../../translated_images/ar/line2.a5b3493dc01058af.webp)
 
 الإجابة: ليس حقًا. إذا نظرت إلى الإنتاج الإجمالي، يبدو أنه قد زاد في ذلك العام تحديدًا، على الرغم من أن كمية العسل المنتجة عمومًا في انخفاض خلال هذه السنوات.
 
@@ -130,7 +130,7 @@ sns.relplot(
 ```
 في هذا التصور، يمكنك مقارنة الإنتاج لكل مستعمرة وعدد المستعمرات عامًا بعد عام، جنبًا إلى جنب مع التفاف مضبوط على 3 للأعمدة:
 
-![facet grid](../../../../translated_images/ar/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.png)
+![facet grid](../../../../translated_images/ar/facet.6a34851dcd540050.webp)
 
 بالنسبة لهذه المجموعة من البيانات، لا يبرز شيء بشكل خاص فيما يتعلق بعدد المستعمرات وإنتاجها، عامًا بعد عام وولاية بعد ولاية. هل هناك طريقة مختلفة للبحث عن علاقة بين هذين المتغيرين؟
 
@@ -153,7 +153,7 @@ sns.despine(right=False)
 plt.ylabel('colony yield')
 ax.figure.legend();
 ```
-![superimposed plots](../../../../translated_images/ar/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.png)
+![superimposed plots](../../../../translated_images/ar/dual-line.a4c28ce659603fab.webp)
 
 بينما لا يبرز شيء للعين حول عام 2003، فإنه يسمح لنا بإنهاء هذا الدرس بملاحظة أكثر إيجابية: على الرغم من وجود انخفاض عام في عدد المستعمرات، فإن عدد المستعمرات يستقر حتى لو كان إنتاجها لكل مستعمرة يتناقص.
 
diff --git a/translations/ar/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/ar/3-Data-Visualization/R/09-visualization-quantities/README.md
index d6c11777..bbf0ff13 100644
--- a/translations/ar/3-Data-Visualization/R/09-visualization-quantities/README.md
+++ b/translations/ar/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -57,7 +57,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 ```
 هنا، تقوم بتثبيت حزمة `ggplot2` ثم استيرادها إلى مساحة العمل باستخدام الأمر `library("ggplot2")`. لرسم أي مخطط في ggplot، يتم استخدام وظيفة `ggplot()` وتحديد مجموعة البيانات، متغيرات x و y كسمات. في هذه الحالة، نستخدم وظيفة `geom_line()` لأننا نهدف إلى رسم مخطط خطي.
 
-![MaxWingspan-lineplot](../../../../../translated_images/ar/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.png)
+![MaxWingspan-lineplot](../../../../../translated_images/ar/MaxWingspan-lineplot.b12169f99d26fdd2.webp)
 
 ما الذي تلاحظه فورًا؟ يبدو أن هناك على الأقل نقطة شاذة واحدة - هذا عرض جناح كبير جدًا! عرض جناح يزيد عن 2000 سنتيمتر يساوي أكثر من 20 مترًا - هل هناك تيروداكتيلات تتجول في مينيسوتا؟ دعونا نحقق في الأمر.
 
@@ -75,7 +75,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 ```
 نحدد الزاوية في `theme` ونحدد تسميات المحورين x و y في `xlab()` و `ylab()` على التوالي. يعطي `ggtitle()` اسمًا للرسم البياني/المخطط.
 
-![MaxWingspan-lineplot-improved](../../../../../translated_images/ar/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.png)
+![MaxWingspan-lineplot-improved](../../../../../translated_images/ar/MaxWingspan-lineplot-improved.04b73b4d5a59552a.webp)
 
 حتى مع تدوير التسميات إلى 45 درجة، هناك الكثير منها لقراءتها. دعونا نحاول استراتيجية مختلفة: قم بتسمية النقاط الشاذة فقط وضع التسميات داخل الرسم البياني. يمكنك استخدام مخطط مبعثر لتوفير مساحة أكبر للتسمية:
 
@@ -91,7 +91,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 
 ماذا تكتشف؟
 
-![MaxWingspan-scatterplot](../../../../../translated_images/ar/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.png)
+![MaxWingspan-scatterplot](../../../../../translated_images/ar/MaxWingspan-scatterplot.60dc9e0e19d32700.webp)
 
 ## تصفية البيانات الخاصة بك
 
@@ -110,7 +110,7 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
 ```
 قمنا بإنشاء إطار بيانات جديد `birds_filtered` ثم رسمنا مخططًا مبعثرًا. من خلال تصفية النقاط الشاذة، أصبحت بياناتك الآن أكثر تماسكًا وفهمًا.
 
-![MaxWingspan-scatterplot-improved](../../../../../translated_images/ar/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.png)
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/ar/MaxWingspan-scatterplot-improved.7d0af81658c65f3e.webp)
 
 الآن بعد أن أصبح لدينا مجموعة بيانات أنظف على الأقل من حيث عرض الجناح، دعونا نكتشف المزيد عن هذه الطيور.
 
@@ -151,7 +151,7 @@ birds_filtered %>% group_by(Category) %>%
 ```
 في المقتطف التالي، نقوم بتثبيت حزم [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) و[lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) للمساعدة في معالجة وتجميع البيانات من أجل رسم مخطط عمودي مكدس. أولاً، نقوم بتجميع البيانات حسب `Category` الطيور ثم تلخيص الأعمدة `MinLength`, `MaxLength`, `MinBodyMass`,`MaxBodyMass`,`MinWingspan`,`MaxWingspan`. ثم، نرسم المخطط العمودي باستخدام حزمة `ggplot2` ونحدد الألوان للفئات المختلفة والتسميات.
 
-![Stacked bar chart](../../../../../translated_images/ar/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.png)
+![Stacked bar chart](../../../../../translated_images/ar/stacked-bar-chart.0c92264e89da7b39.webp)
 
 ومع ذلك، هذا المخطط العمودي غير قابل للقراءة لأنه يحتوي على الكثير من البيانات غير المجمعة. تحتاج إلى اختيار البيانات التي تريد رسمها فقط، لذا دعونا ننظر إلى طول الطيور بناءً على فئتها.
 
@@ -166,7 +166,7 @@ ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
 ```
 أولاً، تقوم بعد القيم الفريدة في عمود `Category` ثم ترتيبها في إطار بيانات جديد `birds_count`. يتم ترتيب هذه البيانات المصفاة بنفس المستوى بحيث يتم رسمها بطريقة مرتبة. باستخدام `ggplot2`، تقوم بعد ذلك برسم البيانات في مخطط عمودي. يقوم `coord_flip()` برسم الأعمدة أفقيًا.
 
-![category-length](../../../../../translated_images/ar/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.png)
+![category-length](../../../../../translated_images/ar/category-length.7e34c296690e85d6.webp)
 
 يوفر هذا المخطط العمودي عرضًا جيدًا لعدد الطيور في كل فئة. في لمحة، ترى أن أكبر عدد من الطيور في هذه المنطقة ينتمي إلى فئة البط/الإوز/طيور الماء. مينيسوتا هي "أرض 10,000 بحيرة"، لذا هذا ليس مفاجئًا!
 
@@ -189,7 +189,7 @@ ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_fl
 ```
 نقوم بتجميع بيانات `birds_filtered` حسب `Category` ثم رسم مخطط عمودي.
 
-![comparing data](../../../../../translated_images/ar/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.png)
+![comparing data](../../../../../translated_images/ar/comparingdata.f486a450d61c7ca5.webp)
 
 لا شيء مفاجئ هنا: الطيور الطنانة لديها أقل طول أقصى مقارنة بالبجع أو الإوز. من الجيد عندما تكون البيانات منطقية!
 
@@ -201,7 +201,7 @@ ggplot(data=birds_grouped, aes(x=Category)) +
   geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
   coord_flip()
 ```
-![super-imposed values](../../../../../translated_images/ar/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.png)
+![super-imposed values](../../../../../translated_images/ar/superimposed-values.5363f0705a1da416.webp)
 
 ## 🚀 تحدي
 
diff --git a/translations/ar/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/ar/3-Data-Visualization/R/10-visualization-distributions/README.md
index ea44455d..dc22ca34 100644
--- a/translations/ar/3-Data-Visualization/R/10-visualization-distributions/README.md
+++ b/translations/ar/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -36,7 +36,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
   geom_point() +
   ggtitle("Max Length per order") + coord_flip()
 ```
-![الطول الأقصى لكل رتبة](../../../../../translated_images/ar/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.png)
+![الطول الأقصى لكل رتبة](../../../../../translated_images/ar/max-length-per-order.e5b283d952c78c12.webp)
 
 يوفر هذا نظرة عامة على التوزيع العام لطول الجسم لكل رتبة من الطيور، ولكنه ليس الطريقة المثلى لعرض التوزيعات الحقيقية. عادةً ما يتم التعامل مع هذه المهمة من خلال إنشاء مخطط هيستوجرام.
 
@@ -48,7 +48,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
 ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
   geom_histogram(bins=10)+ylab('Frequency')
 ```
-![التوزيع على المجموعة الكاملة](../../../../../translated_images/ar/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.png)
+![التوزيع على المجموعة الكاملة](../../../../../translated_images/ar/distribution-over-the-entire-dataset.d22afd3fa96be854.webp)
 
 كما ترى، فإن معظم الطيور البالغ عددها 400+ في هذه المجموعة تقع في نطاق أقل من 2000 بالنسبة لأقصى كتلة جسم. احصل على مزيد من الفهم للبيانات عن طريق تغيير معلمة `bins` إلى رقم أعلى، مثل 30:
 
@@ -56,7 +56,7 @@ ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
 ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
 ```
 
-![التوزيع-30 صناديق](../../../../../translated_images/ar/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.png)
+![التوزيع-30 صناديق](../../../../../translated_images/ar/distribution-30bins.6a3921ea7a421bf7.webp)
 
 يعرض هذا المخطط التوزيع بطريقة أكثر تفصيلًا. يمكن إنشاء مخطط أقل انحرافًا إلى اليسار عن طريق التأكد من اختيار البيانات فقط ضمن نطاق معين:
 
@@ -68,7 +68,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
   geom_histogram(bins=30)+ylab('Frequency')
 ```
 
-![هيستوجرام مصفى](../../../../../translated_images/ar/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.png)
+![هيستوجرام مصفى](../../../../../translated_images/ar/filtered-histogram.6bf5d2bfd8253322.webp)
 
 ✅ جرب بعض الفلاتر ونقاط البيانات الأخرى. لرؤية التوزيع الكامل للبيانات، قم بإزالة الفلتر `['MaxBodyMass']` لعرض التوزيعات المسماة.
 
@@ -82,7 +82,7 @@ ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
 ```
 يبدو أن هناك علاقة متوقعة بين هذين العنصرين على محور متوقع، مع نقطة تقارب قوية بشكل خاص:
 
-![مخطط ثنائي الأبعاد](../../../../../translated_images/ar/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.png)
+![مخطط ثنائي الأبعاد](../../../../../translated_images/ar/2d-plot.c504786f439bd7eb.webp)
 
 تعمل الهيستوجرامات بشكل جيد افتراضيًا مع البيانات الرقمية. ماذا لو كنت بحاجة إلى رؤية التوزيعات وفقًا للبيانات النصية؟
 
@@ -114,7 +114,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
   scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
 ```
 
-![امتداد الجناح وحالة الحفظ](../../../../../translated_images/ar/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.png)
+![امتداد الجناح وحالة الحفظ](../../../../../translated_images/ar/wingspan-conservation-collation.4024e9aa6910866a.webp)
 
 لا يبدو أن هناك علاقة جيدة بين امتداد الجناح الأدنى وحالة الحفظ. اختبر عناصر أخرى من مجموعة البيانات باستخدام هذه الطريقة. يمكنك تجربة فلاتر مختلفة أيضًا. هل تجد أي علاقة؟
 
@@ -128,7 +128,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
 ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
   geom_density()
 ```
-![مخطط الكثافة](../../../../../translated_images/ar/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.png)
+![مخطط الكثافة](../../../../../translated_images/ar/density-plot.675ccf865b76c690.webp)
 
 يمكنك أن ترى كيف يعكس المخطط السابق بيانات امتداد الجناح الأدنى؛ إنه فقط أكثر سلاسة. إذا كنت ترغب في إعادة النظر في خط MaxBodyMass المتعرج في المخطط الثاني الذي أنشأته، يمكنك تنعيمه بشكل جيد جدًا عن طريق إعادة إنشائه باستخدام هذه الطريقة:
 
@@ -136,7 +136,7 @@ ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
 ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
   geom_density()
 ```
-![كثافة كتلة الجسم](../../../../../translated_images/ar/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.png)
+![كثافة كتلة الجسم](../../../../../translated_images/ar/bodymass-smooth.d31ce526d82b0a1f.webp)
 
 إذا كنت تريد خطًا ناعمًا، ولكن ليس ناعمًا جدًا، قم بتحرير معلمة `adjust`:
 
@@ -144,7 +144,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
 ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
   geom_density(adjust = 1/5)
 ```
-![كتلة الجسم الأقل نعومة](../../../../../translated_images/ar/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.png)
+![كتلة الجسم الأقل نعومة](../../../../../translated_images/ar/less-smooth-bodymass.10f4db8b683cc17d.webp)
 
 ✅ اقرأ عن المعلمات المتاحة لهذا النوع من المخططات وجربها!
 
@@ -154,7 +154,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
 ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
   geom_density(alpha=0.5)
 ```
-![كتلة الجسم لكل رتبة](../../../../../translated_images/ar/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.png)
+![كتلة الجسم لكل رتبة](../../../../../translated_images/ar/bodymass-per-order.9d2b065dd931b928.webp)
 
 ## 🚀 تحدٍ
 
diff --git a/translations/ar/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/ar/3-Data-Visualization/R/11-visualization-proportions/README.md
index 6ca3bdbb..58e403d8 100644
--- a/translations/ar/3-Data-Visualization/R/11-visualization-proportions/README.md
+++ b/translations/ar/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -88,7 +88,7 @@ pie(grouped$count,grouped$class, main="Edible?")
 ```
 ها هو، مخطط دائري يظهر نسب هذه البيانات وفقًا لهاتين الفئتين من الفطر. من المهم جدًا الحصول على ترتيب التسميات بشكل صحيح، خاصة هنا، لذا تأكد من التحقق من الترتيب الذي يتم بناء مصفوفة التسميات به!
 
-![مخطط دائري](../../../../../translated_images/ar/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.png)
+![مخطط دائري](../../../../../translated_images/ar/pie1-wb.685df063673751f4.webp)
 
 ## دونات!
 
@@ -123,7 +123,7 @@ library(webr)
 PieDonut(habitat, aes(habitat, count=count))
 ```
 
-![مخطط دونات](../../../../../translated_images/ar/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.png)
+![مخطط دونات](../../../../../translated_images/ar/donut-wb.34e6fb275da9d834.webp)
 
 يستخدم هذا الكود المكتبتين - ggplot2 وwebr. باستخدام وظيفة PieDonut من مكتبة webr، يمكننا إنشاء مخطط دونات بسهولة!
 
@@ -160,7 +160,7 @@ waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual
 
 باستخدام مخطط وافل، يمكنك رؤية نسب ألوان قبعات الفطر في هذه المجموعة البيانات بوضوح. من المثير للاهتمام أن هناك العديد من الفطر ذو القبعات الخضراء!
 
-![مخطط وافل](../../../../../translated_images/ar/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.png)
+![مخطط وافل](../../../../../translated_images/ar/waffle.aaa75c5337735a6e.webp)
 
 في هذه الدرس، تعلمت ثلاث طرق لتصور النسب. أولاً، تحتاج إلى تجميع بياناتك في فئات ثم تقرر الطريقة الأفضل لعرض البيانات - دائري، دونات، أو وافل. جميعها لذيذة وتمنح المستخدم لمحة فورية عن مجموعة البيانات.
 
diff --git a/translations/ar/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/ar/3-Data-Visualization/R/12-visualization-relationships/README.md
index 6b072007..ffdb6e01 100644
--- a/translations/ar/3-Data-Visualization/R/12-visualization-relationships/README.md
+++ b/translations/ar/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -42,7 +42,7 @@ library(ggplot2)
 ggplot(honey, aes(x = priceperlb, y = state)) +
   geom_point(colour = "blue")
 ```
-![scatterplot 1](../../../../../translated_images/ar/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.png)
+![scatterplot 1](../../../../../translated_images/ar/scatter1.86b8900674d88b26.webp)
 
 الآن، اعرض نفس البيانات باستخدام نظام ألوان العسل لإظهار كيفية تطور السعر على مر السنين. يمكنك القيام بذلك عن طريق إضافة معامل 'scale_color_gradientn' لإظهار التغيير عامًا بعد عام:
 
@@ -52,7 +52,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
 ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
   geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
 ```
-![scatterplot 2](../../../../../translated_images/ar/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.png)
+![scatterplot 2](../../../../../translated_images/ar/scatter2.4d1cbc693bad20e2.webp)
 
 مع هذا التغيير في نظام الألوان، يمكنك أن ترى بوضوح تقدمًا قويًا على مر السنين فيما يتعلق بسعر العسل لكل رطل. بالفعل، إذا نظرت إلى مجموعة بيانات عينة للتحقق (اختر ولاية معينة، مثل أريزونا)، يمكنك رؤية نمط زيادة الأسعار عامًا بعد عام، مع بعض الاستثناءات:
 
@@ -83,7 +83,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
 ```
 يمكنك رؤية حجم النقاط يزداد تدريجيًا.
 
-![scatterplot 3](../../../../../translated_images/ar/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.png)
+![scatterplot 3](../../../../../translated_images/ar/scatter3.722d21e6f20b3ea2.webp)
 
 هل هذا مجرد حالة بسيطة من العرض والطلب؟ بسبب عوامل مثل تغير المناخ وانهيار المستعمرات، هل هناك كمية أقل من العسل المتاحة للشراء عامًا بعد عام، وبالتالي يرتفع السعر؟
 
@@ -98,7 +98,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
 ```
 الإجابة: نعم، مع بعض الاستثناءات حول عام 2003:
 
-![line chart 1](../../../../../translated_images/ar/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.png)
+![line chart 1](../../../../../translated_images/ar/line1.299b576fbb2a59e6.webp)
 
 السؤال: حسنًا، في عام 2003 هل يمكننا أيضًا رؤية زيادة في كمية العسل المتوفرة؟ ماذا لو نظرت إلى الإنتاج الإجمالي عامًا بعد عام؟
 
@@ -106,7 +106,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
 qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
 ```
 
-![line chart 2](../../../../../translated_images/ar/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.png)
+![line chart 2](../../../../../translated_images/ar/line2.3b18fcda7176ceba.webp)
 
 الإجابة: ليس حقًا. إذا نظرت إلى الإنتاج الإجمالي، يبدو أنه قد زاد في ذلك العام بالذات، على الرغم من أن كمية العسل المنتجة عمومًا كانت في انخفاض خلال هذه السنوات.
 
@@ -126,7 +126,7 @@ ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) +
 ```
 في هذا التصور، يمكنك مقارنة الإنتاج لكل مستعمرة وعدد المستعمرات عامًا بعد عام جنبًا إلى جنب مع التفاف مضبوط على 3 للأعمدة:
 
-![facet grid](../../../../../translated_images/ar/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.png)
+![facet grid](../../../../../translated_images/ar/facet.491ad90d61c2a7cc.webp)
 
 بالنسبة لهذه المجموعة من البيانات، لا يبرز أي شيء بشكل خاص فيما يتعلق بعدد المستعمرات وإنتاجها، عامًا بعد عام وولاية بعد ولاية. هل هناك طريقة مختلفة للنظر في إيجاد علاقة بين هذين المتغيرين؟
 
@@ -143,7 +143,7 @@ plot(honey$year, honey$yieldpercol, pch = 17, col = 3,
 axis(side = 4, at = pretty(range(y2)))      
 mtext("colony yield", side = 4, line = 3)   
 ```
-![superimposed plots](../../../../../translated_images/ar/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.png)
+![superimposed plots](../../../../../translated_images/ar/dual-line.fc4665f360a54018.webp)
 
 بينما لا يبرز شيء للعين حول عام 2003، فإنه يسمح لنا بإنهاء هذا الدرس بملاحظة أكثر سعادة: على الرغم من وجود انخفاض عام في عدد المستعمرات، فإن عدد المستعمرات يستقر حتى لو كان إنتاجها لكل مستعمرة يتناقص.
 
diff --git a/translations/ar/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/ar/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
index 156696f2..752d8ae9 100644
--- a/translations/ar/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
+++ b/translations/ar/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -38,25 +38,25 @@
 
 حتى إذا كان عالم البيانات حريصًا على اختيار الرسم البياني المناسب للبيانات المناسبة، هناك العديد من الطرق التي يمكن بها عرض البيانات لإثبات نقطة معينة، غالبًا على حساب البيانات نفسها. هناك العديد من الأمثلة على الرسوم البيانية والمخططات المضللة!
 
-[![كيف تكذب الرسوم البيانية بواسطة ألبرتو كايرو](../../../../../translated_images/ar/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "كيف تكذب الرسوم البيانية")
+[![كيف تكذب الرسوم البيانية بواسطة ألبرتو كايرو](../../../../../translated_images/ar/tornado.2880ffc7f135f82b.webp)](https://www.youtube.com/watch?v=oX74Nge8Wkw "كيف تكذب الرسوم البيانية")
 
 > 🎥 انقر على الصورة أعلاه لمشاهدة محاضرة حول الرسوم البيانية المضللة
 
 هذا الرسم البياني يعكس المحور X ليظهر عكس الحقيقة بناءً على التاريخ:
 
-![رسم سيء 1](../../../../../translated_images/ar/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.png)
+![رسم سيء 1](../../../../../translated_images/ar/bad-chart-1.596bc93425a8ac30.webp)
 
 [هذا الرسم البياني](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) أكثر تضليلًا، حيث يجذب العين إلى اليمين لتستنتج أن حالات COVID قد انخفضت مع الزمن في المقاطعات المختلفة. في الواقع، إذا نظرت عن كثب إلى التواريخ، ستجد أنها أعيد ترتيبها لإظهار هذا الاتجاه المضلل.
 
-![رسم سيء 2](../../../../../translated_images/ar/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.jpg)
+![رسم سيء 2](../../../../../translated_images/ar/bad-chart-2.62edf4d2f30f4e51.webp)
 
 هذا المثال الشهير يستخدم الألوان ومحور Y مقلوب لخداع العين: بدلاً من استنتاج أن وفيات الأسلحة ارتفعت بعد تمرير تشريعات داعمة للأسلحة، يتم خداع العين لتعتقد العكس:
 
-![رسم سيء 3](../../../../../translated_images/ar/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.jpg)
+![رسم سيء 3](../../../../../translated_images/ar/bad-chart-3.e201e2e915a230bc.webp)
 
 هذا الرسم الغريب يظهر كيف يمكن التلاعب بالنسب، بشكل مضحك:
 
-![رسم سيء 4](../../../../../translated_images/ar/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.jpg)
+![رسم سيء 4](../../../../../translated_images/ar/bad-chart-4.8872b2b881ffa96c.webp)
 
 مقارنة ما لا يمكن مقارنته هي خدعة أخرى مشبوهة. هناك [موقع ويب رائع](https://tylervigen.com/spurious-correlations) يعرض "ارتباطات زائفة" تظهر "حقائق" تربط بين أشياء مثل معدل الطلاق في ولاية مين واستهلاك المارجرين. كما أن هناك مجموعة على Reddit تجمع [الاستخدامات السيئة](https://www.reddit.com/r/dataisugly/top/?t=all) للبيانات.
 
@@ -91,13 +91,13 @@
 
 إذا كانت بياناتك نصية وطويلة على المحور X، يمكنك إمالة النص لتحسين القراءة. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) يقدم رسومات ثلاثية الأبعاد إذا كانت بياناتك تدعم ذلك. يمكن إنتاج تصورات بيانات متطورة باستخدامه.
 
-![رسومات ثلاثية الأبعاد](../../../../../translated_images/ar/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.png)
+![رسومات ثلاثية الأبعاد](../../../../../translated_images/ar/3d.db1734c151eee87d.webp)
 
 ## الرسوم المتحركة وعرض الرسوم ثلاثية الأبعاد
 
 بعض أفضل تصورات البيانات اليوم متحركة. شيرلي وو لديها أمثلة مذهلة باستخدام D3، مثل '[زهور الأفلام](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)'، حيث يمثل كل زهرة تصورًا لفيلم. مثال آخر للجارديان هو 'باصات المشردين'، تجربة تفاعلية تجمع بين التصورات مع Greensock وD3 بالإضافة إلى تنسيق مقال سردي لعرض كيفية تعامل مدينة نيويورك مع مشكلة المشردين من خلال إرسالهم خارج المدينة.
 
-![باصات المشردين](../../../../../translated_images/ar/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.png)
+![باصات المشردين](../../../../../translated_images/ar/busing.8157cf1bc89a3f65.webp)
 
 > "باصات المشردين: كيف تنقل أمريكا مشرديها" من [الجارديان](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). تصورات بواسطة نادية بريمر وشيرلي وو.
 
@@ -107,7 +107,7 @@
 
 ستكمل تطبيق ويب يعرض عرضًا متحركًا لهذه الشبكة الاجتماعية. يستخدم مكتبة تم إنشاؤها لإنشاء [تصور لشبكة](https://github.com/emiliorizzo/vue-d3-network) باستخدام Vue.js وD3. عندما يعمل التطبيق، يمكنك سحب العقد على الشاشة لتحريك البيانات.
 
-![العلاقات](../../../../../translated_images/ar/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.png)
+![العلاقات](../../../../../translated_images/ar/liaisons.90ce7360bcf84765.webp)
 
 ## المشروع: بناء رسم بياني لعرض شبكة باستخدام D3.js
 
diff --git a/translations/ar/3-Data-Visualization/README.md b/translations/ar/3-Data-Visualization/README.md
index 4c0afa67..4521c832 100644
--- a/translations/ar/3-Data-Visualization/README.md
+++ b/translations/ar/3-Data-Visualization/README.md
@@ -1,6 +1,6 @@
 # التصورات
 
-![نحلة على زهرة اللافندر](../../../translated_images/ar/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.jpg)
+![نحلة على زهرة اللافندر](../../../translated_images/ar/bee.0aa1d91132b12e3a.webp)
 > الصورة بواسطة <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> على <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
 
 تصور البيانات هو أحد أهم المهام التي يقوم بها عالم البيانات. الصور تعادل ألف كلمة، ويمكن للتصور أن يساعدك في التعرف على جميع أنواع الأجزاء المثيرة للاهتمام في بياناتك مثل القمم، والقيم الشاذة، والتجمعات، والاتجاهات، والمزيد، مما يمكن أن يساعدك في فهم القصة التي تحاول بياناتك سردها.
diff --git a/translations/ar/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/ar/4-Data-Science-Lifecycle/14-Introduction/README.md
index 36a383be..64b29c7d 100644
--- a/translations/ar/4-Data-Science-Lifecycle/14-Introduction/README.md
+++ b/translations/ar/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -16,7 +16,7 @@
 
 تركز هذه الدرس على ثلاثة أجزاء من دورة الحياة: الالتقاط، المعالجة، والصيانة.
 
-![رسم بياني لدورة حياة علم البيانات](../../../../translated_images/ar/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.jpg)
+![رسم بياني لدورة حياة علم البيانات](../../../../translated_images/ar/data-science-lifecycle.a1e362637503c4fb.webp)
 > صورة بواسطة [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
 
 ## الالتقاط
@@ -92,7 +92,7 @@
 
 |عملية فريق علم البيانات (TDSP)|المعيار الصناعي لعملية التنقيب عن البيانات (CRISP-DM)|
 |--|--|
-|![دورة حياة فريق علم البيانات](../../../../translated_images/ar/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.png) | ![صورة عملية علم البيانات](../../../../translated_images/ar/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.png) |
+|![دورة حياة فريق علم البيانات](../../../../translated_images/ar/tdsp-lifecycle2.e19029d598e2e73d.webp) | ![صورة عملية علم البيانات](../../../../translated_images/ar/CRISP-DM.8bad2b4c66e62aa7.webp) |
 | صورة بواسطة [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | صورة بواسطة [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
 
 ## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ds/quiz/27)
diff --git a/translations/ar/4-Data-Science-Lifecycle/README.md b/translations/ar/4-Data-Science-Lifecycle/README.md
index 6108aa83..eb812f46 100644
--- a/translations/ar/4-Data-Science-Lifecycle/README.md
+++ b/translations/ar/4-Data-Science-Lifecycle/README.md
@@ -1,6 +1,6 @@
 # دورة حياة علم البيانات
 
-![التواصل](../../../translated_images/ar/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.jpg)  
+![التواصل](../../../translated_images/ar/communication.06d8e2a88d30d168.webp)  
 > الصورة بواسطة <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> على <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>  
 
 في هذه الدروس، ستستكشف بعض جوانب دورة حياة علم البيانات، بما في ذلك التحليل والتواصل حول البيانات.
diff --git a/translations/ar/5-Data-Science-In-Cloud/README.md b/translations/ar/5-Data-Science-In-Cloud/README.md
index 62ee0bc7..63c06714 100644
--- a/translations/ar/5-Data-Science-In-Cloud/README.md
+++ b/translations/ar/5-Data-Science-In-Cloud/README.md
@@ -1,12 +1,12 @@
 # علم البيانات في السحابة
 
-![cloud-picture](../../../translated_images/ar/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.jpg)
+![cloud-picture](../../../translated_images/ar/cloud-picture.f5526de3c6c6387b.webp)
 
 > الصورة بواسطة [Jelleke Vanooteghem](https://unsplash.com/@ilumire) من [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
 
 عندما يتعلق الأمر بممارسة علم البيانات مع البيانات الضخمة، يمكن أن تكون السحابة نقطة تحول. في الدروس الثلاثة القادمة، سنستعرض ما هي السحابة ولماذا يمكن أن تكون مفيدة جدًا. سنقوم أيضًا باستكشاف مجموعة بيانات عن فشل القلب وبناء نموذج يساعد في تقييم احتمالية إصابة شخص بفشل القلب. سنستخدم قوة السحابة لتدريب النموذج ونشره واستهلاكه بطريقتين مختلفتين. الطريقة الأولى باستخدام واجهة المستخدم فقط بأسلوب "Low code/No code"، والطريقة الثانية باستخدام Azure Machine Learning Software Developer Kit (Azure ML SDK).
 
-![project-schema](../../../translated_images/ar/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.png)
+![project-schema](../../../translated_images/ar/project-schema.420e56d495624541.webp)
 
 ### المواضيع
 
diff --git a/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
index f72df202..b4709cf7 100644
--- a/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
+++ b/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -32,7 +32,7 @@
 
 * [علم البيانات في الرعاية الصحية](https://data-flair.training/blogs/data-science-in-healthcare/) - يبرز تطبيقات مثل التصوير الطبي (مثل التصوير بالرنين المغناطيسي، الأشعة السينية، التصوير المقطعي)، الجينوميات (تسلسل الحمض النووي)، تطوير الأدوية (تقييم المخاطر، التنبؤ بالنجاح)، التحليلات التنبؤية (رعاية المرضى ولوجستيات الإمداد)، تتبع الأمراض والوقاية منها، إلخ.
 
-![تطبيقات علم البيانات في العالم الحقيقي](../../../../translated_images/ar/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.png) مصدر الصورة: [Data Flair: 6 Amazing Data Science Applications](https://data-flair.training/blogs/data-science-applications/)
+![تطبيقات علم البيانات في العالم الحقيقي](../../../../translated_images/ar/data-science-applications.4e5019cd8790ebac.webp) مصدر الصورة: [Data Flair: 6 Amazing Data Science Applications](https://data-flair.training/blogs/data-science-applications/)
 
 تُظهر الصورة مجالات وأمثلة أخرى لتطبيق تقنيات علم البيانات. هل تريد استكشاف تطبيقات أخرى؟ تحقق من قسم [المراجعة والدراسة الذاتية](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) أدناه.
 
diff --git a/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
index a59b6a90..9ff73190 100644
--- a/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
+++ b/translations/ar/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -13,7 +13,7 @@
  2. استكشاف [كتالوج البيانات](https://planetarycomputer.microsoft.com/catalog) - لمعرفة الغرض من كل مجموعة بيانات.
  3. استخدام Explorer - اختيار مجموعة بيانات تهمك، وتحديد استعلام مناسب وخيار عرض.
 
-![واجهة Explorer للحاسوب الكوكبي](../../../../translated_images/ar/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.png)
+![واجهة Explorer للحاسوب الكوكبي](../../../../translated_images/ar/planetary-computer-explorer.c1e95a9b053167d6.webp)
 
 `مهمتك:`
 الآن قم بدراسة التصور الذي يتم عرضه في المتصفح وأجب عن الأسئلة التالية:
diff --git a/translations/ar/README.md b/translations/ar/README.md
index 7cfdc8c5..4d9be637 100644
--- a/translations/ar/README.md
+++ b/translations/ar/README.md
@@ -1,197 +1,207 @@
 # علم البيانات للمبتدئين - منهج دراسي
 
-[![افتح في GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
+[![Open in GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
 
-[![ترخيص GitHub](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
-[![مساهمو GitHub](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
-[![قضايا GitHub](https://img.shields.io/github/issues/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
-[![طلبات سحب GitHub](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
-[![مرحبًا بطلبات السحب](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
+[![GitHub license](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
+[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
+[![GitHub issues](https://img.shields.io/github/issues/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
+[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
+[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
 
-[![مشاهدو GitHub](https://img.shields.io/github/watchers/microsoft/Data-Science-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
-[![مشاريع GitHub](https://img.shields.io/github/forks/microsoft/Data-Science-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
-[![نجوم GitHub](https://img.shields.io/github/stars/microsoft/Data-Science-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
+[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/Data-Science-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
+[![GitHub forks](https://img.shields.io/github/forks/microsoft/Data-Science-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/)
+[![GitHub stars](https://img.shields.io/github/stars/microsoft/Data-Science-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/)
 
 
-[![خادم Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
+[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-[![منتدى مطوري Microsoft Foundry على GitHub](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
+[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
-يسعد مدافعوا أزور السحابيون في مايكروسوفت بتقديم منهج دراسي مكون من 10 أسابيع و20 درسًا كله عن علم البيانات. يشمل كل درس اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، الحل، ومهمة. تسمح لك منهجيتنا القائمة على المشاريع بالتعلم أثناء البناء، وهي طريقة مثبتة لتثبيت المهارات الجديدة.
+يسعد فريق دعاة سحابة أزور في مايكروسوفت أن يقدم منهجًا دراسيًا لمدة 10 أسابيع و20 درسًا حول علم البيانات. يتضمن كل درس اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإتمام الدرس، الحل، ومهمة. تسمح لك منهجية التعلم القائمة على المشاريع بالتعلم أثناء البناء، وهي طريقة مثبتة لجعل المهارات الجديدة "تثبت".
 
-**شكرًا جزيلًا لمؤلفينا:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
+**شكر خاص لمؤلفينا:** [Jasmine Greenaway](https://www.twitter.com/paladique)، [Dmitry Soshnikov](http://soshnikov.com)، [Nitya Narasimhan](https://twitter.com/nitya)، [Jalen McGee](https://twitter.com/JalenMcG)، [Jen Looper](https://twitter.com/jenlooper)، [Maud Levy](https://twitter.com/maudstweets)، [Tiffany Souterre](https://twitter.com/TiffanySouterre)، [Christopher Harrison](https://www.twitter.com/geektrainer).
 
-**🙏 شكر خاص 🙏 للمؤلفين والمراجعين والمساهمين في المحتوى من [سفراء مايكروسوفت الطلابية](https://studentambassadors.microsoft.com/)،** لا سيما Aaryan Arora، [Aditya Garg](https://github.com/AdityaGarg00)، [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/)، [Ankita Singh](https://www.linkedin.com/in/ankitasingh007)، [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/)، [Arpita Das](https://www.linkedin.com/in/arpitadas01/)، ChhailBihari Dubey، [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor)، [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb)، [Majd Safi](https://www.linkedin.com/in/majd-s/)، [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/)، [Miguel Correa](https://www.linkedin.com/in/miguelmque/)، [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119)، [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum)، [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/)، [Rohit Yadav](https://www.linkedin.com/in/rty2423)، Samridhi Sharma، [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200)،
+**🙏 شكر خاص 🙏 لمؤلفي، مراجعينا، ومساهمي المحتوى من [سفراء طلاب مايكروسوفت](https://studentambassadors.microsoft.com/)،** وبالأخص Aaryan Arora، [Aditya Garg](https://github.com/AdityaGarg00)، [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/)، [Ankita Singh](https://www.linkedin.com/in/ankitasingh007)، [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/)، [Arpita Das](https://www.linkedin.com/in/arpitadas01/)، ChhailBihari Dubey، [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor)، [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb)، [Majd Safi](https://www.linkedin.com/in/majd-s/)، [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/)، [Miguel Correa](https://www.linkedin.com/in/miguelmque/)، [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119)، [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum)، [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/)، [Rohit Yadav](https://www.linkedin.com/in/rty2423)، Samridhi Sharma، [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200)،
 [Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/)، [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/)، Yogendrasingh Pawar ، [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/)، [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
 
-|![ملاحظة مرسومة بواسطة @sketchthedocs https://sketchthedocs.dev](../../translated_images/ar/00-Title.8af36cd35da1ac55.webp)|
+|![ملاحظات مرسومة بواسطة @sketchthedocs https://sketchthedocs.dev](../../translated_images/ar/00-Title.8af36cd35da1ac55.webp)|
 |:---:|
 | علم البيانات للمبتدئين - _ملاحظة مرسومة بواسطة [@nitya](https://twitter.com/nitya)_ |
 
 ### 🌐 دعم متعدد اللغات
 
-#### مدعوم عبر GitHub Action (أوتوماتيكي ومحدث دائمًا)
+#### مدعوم عبر GitHub Action (آلي ودائم التحديث)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
-[العربية](./README.md) | [البنغالية](../bn/README.md) | [البلغارية](../bg/README.md) | [البورمية (ميانمار)](../my/README.md) | [الصينية (المبسطة)](../zh-CN/README.md) | [الصينية (التقليدية، هونغ كونغ)](../zh-HK/README.md) | [الصينية (التقليدية، ماكاو)](../zh-MO/README.md) | [الصينية (التقليدية، تايوان)](../zh-TW/README.md) | [الكرواتية](../hr/README.md) | [التشيكية](../cs/README.md) | [الدانماركية](../da/README.md) | [الهولندية](../nl/README.md) | [الإستونية](../et/README.md) | [الفنلندية](../fi/README.md) | [الفرنسية](../fr/README.md) | [الألمانية](../de/README.md) | [اليونانية](../el/README.md) | [العبرية](../he/README.md) | [الهندية](../hi/README.md) | [الهنغارية](../hu/README.md) | [الإندونيسية](../id/README.md) | [الإيطالية](../it/README.md) | [اليابانية](../ja/README.md) | [الكانادا](../kn/README.md) | [الكورية](../ko/README.md) | [الليتوانية](../lt/README.md) | [المالي](../ms/README.md) | [المالايالام](../ml/README.md) | [الماراثية](../mr/README.md) | [النيبالية](../ne/README.md) | [النيجيرية بيدجن](../pcm/README.md) | [النرويجية](../no/README.md) | [الفارسية (اللغة الفارسية)](../fa/README.md) | [البولندية](../pl/README.md) | [البرتغالية (البرازيل)](../pt-BR/README.md) | [البرتغالية (البرتغال)](../pt-PT/README.md) | [البنغالية (غورموخي)](../pa/README.md) | [الرومانية](../ro/README.md) | [الروسية](../ru/README.md) | [الصربية (السيريلية)](../sr/README.md) | [السلوفاكية](../sk/README.md) | [السلوفينية](../sl/README.md) | [الإسبانية](../es/README.md) | [السواحيلية](../sw/README.md) | [السويدية](../sv/README.md) | [التاغالوغ (الفلبينية)](../tl/README.md) | [التاميلية](../ta/README.md) | [التيلجو](../te/README.md) | [التايلاندية](../th/README.md) | [التركية](../tr/README.md) | [الأوكرانية](../uk/README.md) | [الأردية](../ur/README.md) | [الفيتنامية](../vi/README.md)
-
-> **هل تفضل الاستنساخ محليًا؟**
+[Arabic](./README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
 
-> يحتوي هذا المستودع على أكثر من 50 ترجمة لغة مما يزيد بشكل كبير من حجم التنزيل. للاستنساخ بدون الترجمات، استخدم السحب الانتقائي:
+> **تفضل الاستنساخ محليًا؟**
+>
+> يتضمن هذا المستودع أكثر من 50 ترجمة للغات مما يزيد بشكل كبير من حجم التنزيل. للاستنساخ بدون الترجمات، استخدم sparse checkout:
+>
+> **Bash / macOS / Linux:**
 > ```bash
 > git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
 > cd Data-Science-For-Beginners
 > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
 > ```
-> يعطيك هذا كل ما تحتاجه لإكمال الدورة بتنزيل أسرع بكثير.
+>
+> **CMD (Windows):**
+> ```cmd
+> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
+> cd Data-Science-For-Beginners
+> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
+> ```
+>
+> هذا يمنحك كل ما تحتاجه لإكمال الدورة مع تنزيل أسرع بكثير.
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
 
-**إذا كنت ترغب في دعم لغات ترجمة إضافية، فهي مدرجة [هنا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**إذا كنت ترغب بدعم لغات ترجمة إضافية، فهي مدرجة [هنا](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
 
-#### انضم إلى مجتمعنا 
-[![خادم Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
+#### انضم إلى مجتمعنا
+[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-لدينا سلسلة تعلم عبر Discord مع الذكاء الاصطناعي مستمرة، تعرّف على المزيد وانضم إلينا في [سلسلة تعلم مع AI](https://aka.ms/learnwithai/discord) من 18 إلى 30 سبتمبر 2025. ستحصل على نصائح وحيل حول استخدام GitHub Copilot لعلم البيانات.
+لدينا سلسلة تعلم على ديسكورد مع الذكاء الاصطناعي مستمرة، تعرف أكثر وانضم إلينا في [سلسلة التعلم مع الذكاء الاصطناعي](https://aka.ms/learnwithai/discord) من 18 إلى 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot في علم البيانات.
 
-![سلسلة تعلم مع AI](../../translated_images/ar/1.2b28cdc6205e26fe.webp)
+![Learn with AI series](../../translated_images/ar/1.2b28cdc6205e26fe.webp)
 
 # هل أنت طالب؟
 
 ابدأ بالموارد التالية:
 
-- [صفحة مركز الطلاب](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) في هذه الصفحة، ستجد موارد للمبتدئين، حزم الطلاب وحتى طرق للحصول على قسيمة شهادة مجانية. هذه صفحة تريد وضع إشارة مرجعية عليها والتحقق منها من وقت لآخر حيث نقوم بتغيير المحتوى شهريًا على الأقل.
-- [سفراء مايكروسوفت الطلابية](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) انضم إلى مجتمع عالمي من سفراء الطلاب، قد يكون هذا طريقك إلى مايكروسوفت.
+- [صفحة مركز الطلاب](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) في هذه الصفحة، ستجد موارد للمبتدئين، حزم الطلاب وحتى طرق للحصول على قسيمة شهادة مجانية. هذه صفحة تريد إضافتها إلى المفضلة والتحقق منها من وقت لآخر حيث نغير المحتوى على الأقل مرة كل شهر.
+- [سفراء طلاب مايكروسوفت](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) انضم إلى مجتمع عالمي من سفراء الطلاب، قد تكون هذه هي طريقك إلى مايكروسوفت.
 
 # بدء الاستخدام
 
-## 📚 الوثائق
+## 📚 التوثيق
 
-- **[دليل التثبيت](INSTALLATION.md)** - تعليمات إعداد خطوة بخطوة للمبتدئين
+- **[دليل التثبيت](INSTALLATION.md)** - تعليمات الإعداد خطوة بخطوة للمبتدئين
 - **[دليل الاستخدام](USAGE.md)** - أمثلة وتدفقات عمل شائعة
 - **[حل المشكلات](TROUBLESHOOTING.md)** - حلول للمشاكل الشائعة
 - **[دليل المساهمة](CONTRIBUTING.md)** - كيفية المساهمة في هذا المشروع
-- **[للمعلمين](for-teachers.md)** - إرشادات التدريس وموارد الفصل الدراسي
+- **[للمعلمين](for-teachers.md)** - إرشادات التدريس وموارد الصف الدراسي
 
 ## 👨‍🎓 للطلاب
-> **للمبتدئين التامّين**: هل أنت جديد في علم البيانات؟ ابدأ بأمثلتنا [الصديقة للمبتدئين](examples/README.md)! تساعدك هذه الأمثلة البسيطة والمشروحة جيدًا على فهم الأساسيات قبل الدخول في المنهج الكامل.
-> **[الطلاب](https://aka.ms/student-page)**: لاستخدام هذا المنهج بمفردك، قم بتفرع المستودع بالكامل وأكمل التمرينات بنفسك، بدءًا باختبار قبل المحاضرة. ثم اقرأ المحاضرة وأكمل بقية الأنشطة. حاول إنشاء المشاريع بفهم الدروس بدلاً من نسخ كود الحل؛ ومع ذلك، يتوفر هذا الكود في مجلد /solutions في كل درس موجه نحو المشروع. فكرة أخرى هي تشكيل مجموعة دراسة مع الأصدقاء ومراجعة المحتوى معًا. لمزيد من الدراسة، نوصي بـ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+> **المبتدئين تمامًا**: جديد في علم البيانات؟ ابدأ بأمثلتنا السهلة والمناسبة للمبتدئين [beginner-friendly examples](examples/README.md)! هذه الأمثلة البسيطة والمفصلة بالتعليقات ستساعدك على فهم الأساسيات قبل الغوص في المنهج الكامل.
+> **[الطلاب](https://aka.ms/student-page)**: لاستخدام هذا المنهج بمفردك، يمكنك عمل فورك للكود كاملاً وإكمال التمارين بنفسك، بدءًا باختبار تمهيدي قبل المحاضرة. ثم اقرأ المحاضرة وأكمل بقية الأنشطة. حاول إنشاء المشاريع من خلال فهم الدروس بدلاً من نسخ شفرة الحل؛ مع ذلك، تتوفر الشفرة في مجلدات /solutions في كل درس موجه للمشروع. فكرة أخرى هي تشكيل مجموعة دراسة مع الأصدقاء ومراجعة المحتوى معًا. للدراسة المتقدمة، نوصي بـ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
 
-**بدء سريع:**
-1. تحقق من [دليل التثبيت](INSTALLATION.md) لإعداد بيئتك
-2. راجع [دليل الاستخدام](USAGE.md) لتتعلم كيفية العمل مع المنهج
-3. ابدأ بالدرس 1 واعمل بالتتابع
-4. انضم إلى [مجتمعنا في Discord](https://aka.ms/ds4beginners/discord) للدعم
+**البدء السريع:**
+1. راجع [دليل التثبيت](INSTALLATION.md) لإعداد بيئتك
+2. استعرض [دليل الاستخدام](USAGE.md) لتعلم كيفية العمل مع المنهج
+3. ابدأ بالدرس 1 وواصل بالدروس بالترتيب
+4. انضم إلى [مجتمعنا على Discord](https://aka.ms/ds4beginners/discord) للحصول على الدعم
 
 ## 👩‍🏫 للمعلمين
+> **المعلمون**: لقد قمنا بـ[تضمين بعض الاقتراحات](for-teachers.md) حول كيفية استخدام هذا المنهج الدراسي. ونسعد بتلقي ملاحظاتكم [في منتدى النقاش الخاص بنا](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
 
-> **للمعلمين**: لقد قمنا [بتضمين بعض الاقتراحات](for-teachers.md) حول كيفية استخدام هذا المنهج. نود الحصول على ملاحظاتك [في منتدى المناقشات الخاص بنا](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
-## تعرف على الفريق
+## تعرّف على الفريق
 
 [![فيديو ترويجي](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "فيديو ترويجي")
 
-**صنع الصور المتحركة من قبل** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+**صُنع الـGif بواسطة** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
 
-> 🎥 اضغط على الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
+> 🎥 انقر على الصورة أعلاه لفيديو عن المشروع والأشخاص الذين أنشأوه!
 
-## منهجية التعليم
+## المنهجية التعليمية
 
-اخترنا مبدأين تربويين أثناء بناء هذا المنهج الدراسي: التأكد من أنه قائم على المشاريع ويتضمن اختبارات متكررة. بحلول نهاية هذه السلسلة، سيكون الطلاب قد تعلموا المبادئ الأساسية لعلم البيانات، بما في ذلك المفاهيم الأخلاقية، تحضير البيانات، الطرق المختلفة للعمل مع البيانات، تصور البيانات، تحليل البيانات، حالات استخدام واقعية لعلم البيانات، وأكثر.
+اخترنا مبدئين تربويين أثناء بناء هذا المنهج: ضمان كونه قائمًا على المشاريع وأن يتضمن اختبارات متكررة. بنهاية هذه السلسلة، سيكون الطلاب قد تعلموا مبادئ أساسية في علم البيانات، بما في ذلك المفاهيم الأخلاقية، تحضير البيانات، طرق مختلفة للعمل مع البيانات، تصور البيانات، تحليل البيانات، حالات الاستخدام الواقعية لعلم البيانات، وأكثر.
 
-بالإضافة إلى ذلك، يحدد اختبار منخفض المخاطر قبل الحصة نية الطالب نحو تعلم الموضوع، في حين يضمن اختبار آخر بعد الحصة المزيد من الاحتفاظ بالمعلومات. تم تصميم هذا المنهج لكونه مرنًا وممتعًا ويمكن أخذه بالكامل أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا مع نهاية دورة العشرة أسابيع.
+بالإضافة إلى ذلك، اختبار منخفض المخاطر قبل الدرس يهيئ النية لدى الطالب لتعلم الموضوع، بينما يضمن اختبار ثانٍ بعد الدرس الاحتفاظ بالمعلومات بشكل أكبر. تم تصميم هذا المنهج ليكون مرنًا وممتعًا ويمكن دراسته كاملاً أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بالتدريج حتى نهاية دورة الأسابيع العشرة.
 
-> تعرف على [مدونة السلوك](CODE_OF_CONDUCT.md)، [المساهمة](CONTRIBUTING.md)، وإرشادات [الترجمة](TRANSLATIONS.md). نرحب بملاحظاتك البناءة!
+> تجد [مدونة السلوك الخاصة بنا](CODE_OF_CONDUCT.md)، و[إرشادات المساهمة](CONTRIBUTING.md)، و[إرشادات الترجمة](TRANSLATIONS.md). نرحب بملاحظاتكم البناءة!
 
-## تتضمن كل درس:
+## يحتوي كل درس على:
 
-- ملاحظات تخطيطية اختيارية
+- ملاحظات رسم تخطيطي اختيارية
 - فيديو تكميلي اختياري
-- اختبار تسخين قبل الدرس
+- اختبار تمهيدي قبل الدرس
 - درس مكتوب
-- لدروس المشاريع، دلائل خطوة بخطوة لبناء المشروع
-- اختبارات المعرفة
+- دروس إرشادية خطوة بخطوة للمشاريع المعتمدة على المشاريع
+- اختبارات معرفة
 - تحدي
-- قراءة تكاملية
+- قراءة إضافية
 - واجب
-- [اختبار ما بعد الدرس](https://ff-quizzes.netlify.app/en/)
+- [اختبار بعد الدرس](https://ff-quizzes.netlify.app/en/)
 
-> **ملاحظة عن الاختبارات**: جميع الاختبارات موجودة في مجلد Quiz-App، بإجمالي 40 اختبارًا كل منها يتضمن ثلاثة أسئلة. ترتبط من داخل الدروس، لكن يمكن تشغيل تطبيق الاختبارات محليًا أو نشره على Azure؛ اتبع التعليمات في مجلد `quiz-app`. يتم تعريبها تدريجيًا.
+> **ملاحظة حول الاختبارات**: كل الاختبارات موجودة في مجلد Quiz-App، بمجموع 40 اختبارًا يحتوي كل منها على ثلاثة أسئلة. ترتبط من داخل الدروس، لكن تطبيق الاختبارات يمكن تشغيله محليًا أو نشره على Azure؛ اتبع التعليمات في مجلد `quiz-app`. يتم تعريبها تدريجياً.
 
-## 🎓 أمثلة مناسبة للمبتدئين
+## 🎓 أمثلة ميسرة للمبتدئين
 
-**جديد في علم البيانات؟** أنشأنا دليلًا خاصًا للأمثلة [examples directory](examples/README.md) مع أكواد بسيطة ومشروحة جيدًا لمساعدتك على البدء:
+**جديد في علم البيانات؟** لقد أنشأنا مجلد خاص [للأمثلة](examples/README.md) يحتوي على أكواد بسيطة ومشروحة جيدًا لمساعدتك على البدء:
 
-- 🌟 **مرحبا بالعالم** - أول برنامج علم بيانات لك
-- 📂 **تحميل البيانات** - تعلّم قراءة واستكشاف مجموعات البيانات
+- 🌟 **مرحبًا بالعالم** - برنامجك الأول في علم البيانات
+- 📂 **تحميل البيانات** - تعلم كيفية قراءة واستكشاف مجموعات البيانات
 - 📊 **تحليل بسيط** - حساب الإحصائيات واكتشاف الأنماط
-- 📈 **التصور الأساسي** - إنشاء مخططات ورسوم بيانية
-- 🔬 **مشروع واقعي** - سير العمل كاملًا من البداية للنهاية
+- 📈 **تصور أساسي** - إنشاء المخططات والرسوم البيانية
+- 🔬 **مشروع واقعي** - سير عمل مكتمل من البداية للنهاية
 
-تتضمن كل مثال تعليقات تفصيلية تشرح كل خطوة، مما يجعله مثاليًا للمبتدئين تمامًا!
+كل مثال يحتوي على تعليقات مفصلة تشرح كل خطوة، مما يجعله مثاليًا للمبتدئين تمامًا!
 
 👉 **[ابدأ بالأمثلة](examples/README.md)** 👈
 
 ## الدروس
 
 
-|![ ملاحظة تخطيطية بواسطة @sketchthedocs https://sketchthedocs.dev](../../translated_images/ar/00-Roadmap.4905d6567dff4753.webp)|
+|![ رسم تخطيطي بواسطة @sketchthedocs https://sketchthedocs.dev](../../translated_images/ar/00-Roadmap.4905d6567dff4753.webp)|
 |:---:|
-| خارطة طريق علم البيانات للمبتدئين - _ملاحظة تخطيطية بواسطة [@nitya](https://twitter.com/nitya)_ |
+| علم البيانات للمبتدئين: خارطة الطريق - _رسم تخطيطي بواسطة [@nitya](https://twitter.com/nitya)_ |
 
 
-| رقم الدرس | الموضوع | مجموعة الدرس | أهداف التعلم | الدرس المرتبط | المؤلف |
+| رقم الدرس | الموضوع | مجموعة الدروس | أهداف التعلم | الدرس المرتبط | المؤلف |
 | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
 | 01 | تعريف علم البيانات | [مقدمة](1-Introduction/README.md) | تعلّم المفاهيم الأساسية وراء علم البيانات وكيف يرتبط بالذكاء الاصطناعي، التعلم الآلي، والبيانات الضخمة. | [درس](1-Introduction/01-defining-data-science/README.md) [فيديو](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
-| 02 | أخلاقيات علم البيانات | [مقدمة](1-Introduction/README.md) | مفاهيم أخلاقيات البيانات، التحديات، والأطر. | [درس](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 02 | أخلاقيات علم البيانات | [مقدمة](1-Introduction/README.md) | مفاهيم وتحديات وأطر عمل أخلاقيات البيانات. | [درس](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
 | 03 | تعريف البيانات | [مقدمة](1-Introduction/README.md) | كيفية تصنيف البيانات ومصادرها الشائعة. | [درس](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
-| 04 | مقدمة في الإحصاء والاحتمالات | [مقدمة](1-Introduction/README.md) | التقنيات الرياضية للاحتمالات والإحصاء لفهم البيانات. | [درس](1-Introduction/04-stats-and-probability/README.md) [فيديو](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
-| 05 | العمل مع البيانات العلائقية | [العمل مع البيانات](2-Working-With-Data/README.md) | مقدمة عن البيانات العلائقية والأساسيات لاستكشاف وتحليل البيانات العلائقية باستخدام لغة الاستعلام البنائية، المعروفة أيضًا بـ SQL (تنطق "سي-كول"). | [درس](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
-| 06 | العمل مع بيانات NoSQL | [العمل مع البيانات](2-Working-With-Data/README.md) | مقدمة عن البيانات غير العلائقية، أنواعه المختلفة، والأساسيات لاستكشاف وتحليل قواعد بيانات المستندات. | [درس](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
-| 07 | العمل مع بايثون | [العمل مع البيانات](2-Working-With-Data/README.md) | أساسيات استخدام بايثون لاستكشاف البيانات مع مكتبات مثل Pandas. من المفضل فهم برمجة بايثون أساسيًا. | [درس](2-Working-With-Data/07-python/README.md) [فيديو](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
-| 08 | تحضير البيانات | [العمل مع البيانات](2-Working-With-Data/README.md) | مواضيع تقنيات تنظيف وتحويل البيانات لمعالجة تحديات البيانات المفقودة أو غير الدقيقة أو غير المكتملة. | [درس](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
-| 09 | تصور الكميات | [تصور البيانات](3-Data-Visualization/README.md) | تعلم كيفية استخدام Matplotlib لتصوير بيانات الطيور 🦆 | [درس](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 10 | تصور توزيع البيانات | [تصور البيانات](3-Data-Visualization/README.md) | تصور الملاحظات والاتجاهات ضمن فترة زمنية. | [درس](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 11 | تصور النسب | [تصور البيانات](3-Data-Visualization/README.md) | تصور النسب المئوية المجمعة والمنفصلة. | [درس](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 12 | تصور العلاقات | [تصور البيانات](3-Data-Visualization/README.md) | تصور الروابط والترابطات بين مجموعات البيانات ومتغيراتها. | [درس](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 13 | تصورات ذات معنى | [تصور البيانات](3-Data-Visualization/README.md) | تقنيات وإرشادات لجعل تصوراتك قيمة وفعالة في حل المشكلات واستخلاص الرؤى. | [درس](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 14 | مقدمة في دورة حياة علم البيانات | [دورة الحياة](4-Data-Science-Lifecycle/README.md) | مقدمة في دورة حياة علم البيانات وخطوتها الأولى اكتساب واستخلاص البيانات. | [درس](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
-| 15 | التحليل | [دورة الحياة](4-Data-Science-Lifecycle/README.md) | تركز هذه المرحلة من دورة الحياة على تقنيات تحليل البيانات. | [درس](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
-| 16 | التواصل | [دورة الحياة](4-Data-Science-Lifecycle/README.md) | تركز هذه المرحلة على تقديم الرؤى المستخلصة من البيانات بطريقة تسهل فهمها لصناع القرار. | [درس](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
-| 17 | علم البيانات في السحابة | [بيانات السحابة](5-Data-Science-In-Cloud/README.md) | سلسلة دروس تعرّف علم البيانات في السحابة وفوائده. | [درس](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) |
-| 18 | علم البيانات في السحابة | [بيانات السحابة](5-Data-Science-In-Cloud/README.md) | تدريب النماذج باستخدام أدوات الكود المنخفض. |[درس](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) |
-| 19 | علم البيانات في السحابة | [بيانات السحابة](5-Data-Science-In-Cloud/README.md) | نشر النماذج باستخدام Azure Machine Learning Studio. | [درس](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) |
-| 20 | علم البيانات في العالم الحقيقي | [في العالم الحقيقي](6-Data-Science-In-Wild/README.md) | مشاريع مدفوعة بواسطة علم البيانات في الواقع. | [درس](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
-
-## مساحات كود جيت هاب
-
-اتبع هذه الخطوات لفتح هذا العينة في مساحة أكواد:
-1. اضغط على قائمة الشيفرة المنسدلة واختر خيار "الفتح مع مساحات الكود".
-2. اختر + مساحة جديدة في أسفل اللوحة.
-لمزيد من المعلومات، راجع [وثائق GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
-
-## VSCode عن بعد - الحاويات
-اتبع هذه الخطوات لفتح هذا المستودع في حاوية باستخدام جهازك المحلي و VSCode مع امتداد Remote - Containers:
-
-1. إذا كانت هذه أول مرة تستخدم فيها حاوية تطوير، فتأكد من أن نظامك يلبي المتطلبات الأساسية (أي وجود Docker مثبت) في [وثائق البدء](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
-
-لاستخدام هذا المستودع، يمكنك فتح المستودع في حجم Docker معزول:
-
-**ملاحظة**: تحت الغطاء، يستخدم هذا الأمر Remote-Containers: **Clone Repository in Container Volume...** لاستنساخ الشفرة المصدرية في حجم Docker بدلاً من نظام الملفات المحلي. [الأحجام](https://docs.docker.com/storage/volumes/) هي الآلية المفضلة للاحتفاظ ببيانات الحاوية.
-
-أو افتح نسخة من المستودع مستنسخة محليًا أو محملة:
-
-- استنسخ هذا المستودع إلى نظام الملفات المحلي.
+| 04 | مقدمة في الإحصاء والاحتمالات | [مقدمة](1-Introduction/README.md) | التقنيات الرياضية في الاحتمالات والإحصاء لفهم البيانات. | [درس](1-Introduction/04-stats-and-probability/README.md) [فيديو](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | العمل مع البيانات العلائقية | [العمل مع البيانات](2-Working-With-Data/README.md) | مقدمة للبيانات العلائقية وأساسيات استكشاف وتحليل البيانات العلائقية باستخدام لغة الاستعلام البنيوية، المعروفة باسم SQL (تنطق "سي-كويل"). | [درس](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | العمل مع بيانات NoSQL | [العمل مع البيانات](2-Working-With-Data/README.md) | مقدمة للبيانات غير العلائقية، أنواعها المختلفة وأساسيات استكشاف وتحليل قواعد بيانات المستندات. | [درس](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | العمل مع بايثون | [العمل مع البيانات](2-Working-With-Data/README.md) | أساسيات استخدام بايثون لاستكشاف البيانات باستخدام مكتبات مثل Pandas. يُنصح بفهم أساسي لبرمجة بايثون. | [درس](2-Working-With-Data/07-python/README.md) [فيديو](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | تحضير البيانات | [العمل مع البيانات](2-Working-With-Data/README.md) | موضوعات حول تقنيات تنظيف وتحويل البيانات لمعالجة تحديات البيانات الناقصة أو غير الدقيقة أو غير المكتملة. | [درس](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | تصور الكميات | [تصور البيانات](3-Data-Visualization/README.md) | تعلم استخدام Matplotlib لتصوير بيانات الطيور 🦆 | [درس](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | تصور توزيعات البيانات | [تصور البيانات](3-Data-Visualization/README.md) | تصور الملاحظات والاتجاهات ضمن فترة زمنية. | [درس](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | تصور النسب | [تصور البيانات](3-Data-Visualization/README.md) | تصور النسب المئوية المتقطعة والمجمعة. | [درس](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | تصور العلاقات | [تصور البيانات](3-Data-Visualization/README.md) | تصور الروابط والارتباطات بين مجموعات البيانات ومتغيراتها. | [درس](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | التصورات ذات المعنى | [تصور البيانات](3-Data-Visualization/README.md) | تقنيات وتوجيهات لجعل تصورك قيماً لحل المشكلات بفعالية واستخلاص الرؤى. | [درس](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | مقدمة إلى دورة حياة علم البيانات | [دورة الحياة](4-Data-Science-Lifecycle/README.md) | مقدمة لدورة حياة علم البيانات وخطوتها الأولى في جمع واستخلاص البيانات. | [درس](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | التحليل | [دورة الحياة](4-Data-Science-Lifecycle/README.md) | تركيز هذه المرحلة من دورة حياة علم البيانات على تقنيات تحليل البيانات. | [درس](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | التواصل | [دورة الحياة](4-Data-Science-Lifecycle/README.md) | تركيز هذه المرحلة من دورة حياة علم البيانات على عرض الرؤى المستخلصة من البيانات بطريقة تسهل على متخذي القرار الفهم. | [درس](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | علم البيانات في السحابة | [بيانات السحابة](5-Data-Science-In-Cloud/README.md) | سلسلة من الدروس تعرف علم البيانات في السحابة وفوائده. | [درس](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) |
+| 18 | علم البيانات في السحابة | [بيانات السحابة](5-Data-Science-In-Cloud/README.md) | تدريب النماذج باستخدام أدوات التعليم منخفضة الكود. |[درس](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) |
+| 19 | علم البيانات في السحابة | [بيانات السحابة](5-Data-Science-In-Cloud/README.md) | نشر النماذج باستخدام استوديو Azure Machine Learning. | [درس](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) و [Maud](https://twitter.com/maudstweets) |
+| 20 | علم البيانات الميداني | [في الميدان](6-Data-Science-In-Wild/README.md) | مشاريع علم بيانات مدفوعة في العالم الحقيقي. | [درس](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+اتبع هذه الخطوات لفتح هذا المثال في Codespace:
+1. انقر على قائمة تنزيل الكود واختر خيار Open with Codespaces.
+2. حدد + New codespace في أسفل اللوحة.
+لمزيد من المعلومات، اطلع على [توثيق GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+اتبع هذه الخطوات لفتح هذا المستودع في حاوية باستخدام جهازك المحلي وVSCode باستخدام امتداد VS Code Remote - Containers:
+
+1. إذا كانت هذه هي المرة الأولى التي تستخدم فيها حاوية تطوير، يرجى التأكد من تلبية النظام للمتطلبات المسبقة (مثل تثبيت Docker) في [توثيق البدء](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+لاستخدام هذا المستودع، يمكنك إما فتح المستودع في حجم حاوية Docker معزول:
+
+**ملاحظة**: تحت الغطاء، سيستخدم هذا الأمر Remote-Containers: **Clone Repository in Container Volume...** لاستنساخ الشفرة المصدرية في حجم Docker بدلاً من نظام الملفات المحلي. [الأحجام](https://docs.docker.com/storage/volumes/) هي الآلية المفضلة للحفاظ على بيانات الحاوية.
+
+أو فتح نسخة استنساخ محليًا أو نسخة تم تنزيلها من المستودع:
+
+- استنسخ هذا المستودع إلى نظام الملفات المحلي لديك.
 - اضغط F1 واختر أمر **Remote-Containers: Open Folder in Container...**.
-- اختر النسخة المستنسخة من هذا المجلد، انتظر بدء الحاوية، وجرب الأمور.
+- اختر النسخة المستنسخة من هذا المجلد، انتظر حتى تبدأ الحاوية، وجرب الأمور.
 
 ## الوصول دون اتصال
 
-يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). انسخ هذا الريبو، [ثبت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذري لهذا الريبو، اكتب `docsify serve`. سيُخدم الموقع على المنفذ 3000 على المضيف المحلي: `localhost:3000`.
+يمكنك تشغيل هذه الوثائق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). قم بتفريع هذا المستودع، و[تثبيت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذري لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على جهازك المحلي: `localhost:3000`.
 
-> ملاحظة، لن تُعرض دفاتر الملاحظات عبر Docsify، لذا عندما تحتاج إلى تشغيل دفتر ملاحظات، افعل ذلك بشكل منفصل في VS Code مع تشغيل نواة بايثون.
+> ملاحظة، الدفاتر لن تُعرض عبر Docsify، لذا عندما تحتاج إلى تشغيل دفتر، قم بذلك بشكل منفصل في VS Code باستخدام نواة Python.
 
 ## مناهج أخرى
 
-فريقنا ينتج مناهج أخرى! اطلع على:
+ينتج فريقنا مناهج أخرى! اكتشف:
 
 <!-- CO-OP TRANSLATOR OTHER COURSES START -->
 ### LangChain
@@ -200,54 +210,54 @@
 [![LangChain للمبتدئين](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
 ---
 
-### أزور / إيدج / MCP / الوكلاء
+### أزور / الحافة / MCP / الوكلاء
 [![AZD للمبتدئين](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![الذكاء الاصطناعي عند الحافة للمبتدئين](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![الذكاء الاصطناعي للحافة للمبتدئين](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
 [![MCP للمبتدئين](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![الوكلاء الذكيون للمبتدئين](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![وكلاء الذكاء الاصطناعي للمبتدئين](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
-
+ 
 ### سلسلة الذكاء الاصطناعي التوليدي
 [![الذكاء الاصطناعي التوليدي للمبتدئين](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
 [![الذكاء الاصطناعي التوليدي (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[![الذكاء الاصطناعي التوليدي (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[![الذكاء الاصطناعي التوليدي (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[![الذكاء الاصطناعي التوليدي (جافا)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[![الذكاء الاصطناعي التوليدي (جافاسكريبت)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
 
 ---
-
+ 
 ### التعلم الأساسي
 [![تعلم الآلة للمبتدئين](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
 [![علم البيانات للمبتدئين](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
 [![الذكاء الاصطناعي للمبتدئين](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
 [![الأمن السيبراني للمبتدئين](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
 [![تطوير الويب للمبتدئين](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[![إنترنت الأشياء للمبتدئين](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[![تطوير XR للمبتدئين](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![الإنترنت للأشياء للمبتدئين](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[![تطوير الواقع الممتد للمبتدئين](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
-
+ 
 ### سلسلة كوبيلوت
-[![كوبيلوت للبرمجة المرتبطة بالذكاء الاصطناعي](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[![كوبيلوت للبرمجة الزوجية بالذكاء الاصطناعي](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
 [![كوبيلوت لـ C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
 [![مغامرة كوبيلوت](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
 <!-- CO-OP TRANSLATOR OTHER COURSES END -->
 
 ## الحصول على المساعدة
 
-**هل تواجه مشكلات؟** تحقق من [دليل استكشاف الأخطاء وإصلاحها](TROUBLESHOOTING.md) للعثور على حلول للمشاكل الشائعة.
+**تواجه مشاكل؟** تحقق من [دليل استكشاف الأخطاء وإصلاحها](TROUBLESHOOTING.md) للحصول على حلول للمشاكل الشائعة.
 
-إذا واجهت صعوبة أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي. انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في مناقشات حول MCP. إنها مجتمع داعم حيث تُرحب بالأسئلة ويُشارك المعرفة بحرية.
+إذا علقت أو كانت لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي. انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في مناقشات حول MCP. إنها مجتمع داعم حيث تُرحب بالأسئلة ويُشارك المعرفة بحرية.
 
-[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
+[![خادم ديسكورد Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-إذا كان لديك ملاحظات عن المنتج أو أخطاء أثناء البناء، يمكنك زيارة:
+إذا كان لديك ملاحظات عن المنتج أو أخطاء أثناء البناء، قم بزيارة:
 
-[![منتدى مطوري Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
+[![منتدى مطوري Microsoft Foundry على GitHub](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
 ---
 
 <!-- CO-OP TRANSLATOR DISCLAIMER START -->
-**إخلاء المسؤولية**:
-تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يُرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. ينبغي اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للحصول على معلومات هامة، يُنصح بالاعتماد على الترجمة البشرية المهنية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة قد تنشأ عن استخدام هذه الترجمة.
+**إخلاء مسؤولية**:
+تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر المعتمد. للمعلومات الحرجة، يُوصى بالترجمة المهنية البشرية. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
\ No newline at end of file
diff --git a/translations/ar/sketchnotes/README.md b/translations/ar/sketchnotes/README.md
index bc395ac0..28587ef0 100644
--- a/translations/ar/sketchnotes/README.md
+++ b/translations/ar/sketchnotes/README.md
@@ -4,7 +4,7 @@
 
 نيتيا ناراسيمهان، الفنانة
 
-![رسم تخطيطي لخريطة الطريق](../../../translated_images/ar/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.png)
+![رسم تخطيطي لخريطة الطريق](../../../translated_images/ar/00-Roadmap.4905d6567dff4753.webp)
 
 ---
 
diff --git a/translations/de/.co-op-translator.json b/translations/de/.co-op-translator.json
index 2b3f1318..83b0655f 100644
--- a/translations/de/.co-op-translator.json
+++ b/translations/de/.co-op-translator.json
@@ -11,12 +11,24 @@
     "source_file": "1-Introduction/01-defining-data-science/assignment.md",
     "language_code": "de"
   },
+  "1-Introduction/01-defining-data-science/notebook.ipynb": {
+    "original_hash": "8f5eb7b3f7cc89e6d98fb32e1de65dec",
+    "translation_date": "2026-02-28T08:46:54+00:00",
+    "source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
+    "language_code": "de"
+  },
   "1-Introduction/01-defining-data-science/solution/assignment.md": {
     "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
     "translation_date": "2025-08-24T21:31:58+00:00",
     "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
     "language_code": "de"
   },
+  "1-Introduction/01-defining-data-science/solution/notebook.ipynb": {
+    "original_hash": "090bbfbfcb0c40d3d6e3236f836164ea",
+    "translation_date": "2026-02-28T08:47:20+00:00",
+    "source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
+    "language_code": "de"
+  },
   "1-Introduction/02-ethics/README.md": {
     "original_hash": "58860ce9a4b8a564003d2752f7c72851",
     "translation_date": "2025-10-03T15:59:55+00:00",
@@ -95,6 +107,12 @@
     "source_file": "2-Working-With-Data/07-python/assignment.md",
     "language_code": "de"
   },
+  "2-Working-With-Data/07-python/notebook-covidspread.ipynb": {
+    "original_hash": "6335cccba01dc6ad7b15aba7a8c73f38",
+    "translation_date": "2026-02-28T08:48:09+00:00",
+    "source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
+    "language_code": "de"
+  },
   "2-Working-With-Data/08-data-preparation/README.md": {
     "original_hash": "1b560955ff39a2bcf2a049fce474a951",
     "translation_date": "2025-09-05T13:53:59+00:00",
@@ -360,8 +378,8 @@
     "language_code": "de"
   },
   "README.md": {
-    "original_hash": "9204a2806964384a56f5cb0f22bbe953",
-    "translation_date": "2026-02-06T07:22:38+00:00",
+    "original_hash": "f671e295a294a2559fc59d1524e001b4",
+    "translation_date": "2026-02-28T08:53:08+00:00",
     "source_file": "README.md",
     "language_code": "de"
   },
diff --git a/translations/de/1-Introduction/01-defining-data-science/README.md b/translations/de/1-Introduction/01-defining-data-science/README.md
index 16edf947..66882663 100644
--- a/translations/de/1-Introduction/01-defining-data-science/README.md
+++ b/translations/de/1-Introduction/01-defining-data-science/README.md
@@ -6,7 +6,7 @@
 
 ---
 
-[![Video zur Definition von Data Science](../../../../translated_images/de/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.png)](https://youtu.be/beZ7Mb_oz9I)
+[![Video zur Definition von Data Science](../../../../translated_images/de/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
 
 ## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ds/quiz/0)
 
@@ -144,7 +144,7 @@ Wenn wir es noch komplizierter machen wollen, können wir die für jedes Modul b
 
 In dieser Herausforderung werden wir versuchen, Konzepte zu finden, die für den Bereich Data Science relevant sind, indem wir Texte analysieren. Wir nehmen einen Wikipedia-Artikel über Data Science, laden und verarbeiten den Text und erstellen dann eine Wortwolke wie diese:
 
-![Wortwolke für Data Science](../../../../translated_images/de/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.png)
+![Wortwolke für Data Science](../../../../translated_images/de/ds_wordcloud.664a7c07dca57de0.webp)
 
 Besuche [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), um den Code durchzulesen. Du kannst den Code auch ausführen und sehen, wie er alle Datenumwandlungen in Echtzeit durchführt.
 
diff --git a/translations/de/1-Introduction/01-defining-data-science/notebook.ipynb b/translations/de/1-Introduction/01-defining-data-science/notebook.ipynb
index b8c86c60..352dcb65 100644
--- a/translations/de/1-Introduction/01-defining-data-science/notebook.ipynb
+++ b/translations/de/1-Introduction/01-defining-data-science/notebook.ipynb
@@ -3,13 +3,13 @@
   {
    "cell_type": "markdown",
    "source": [
-    "# Herausforderung: Analyse eines Textes über Data Science\n",
+    "# Herausforderung: Analyse von Texten über Data Science\n",
     "\n",
-    "In diesem Beispiel machen wir eine einfache Übung, die alle Schritte eines traditionellen Data-Science-Prozesses abdeckt. Du musst keinen Code schreiben, sondern kannst einfach auf die untenstehenden Zellen klicken, um sie auszuführen und das Ergebnis zu beobachten. Als Herausforderung wirst du ermutigt, diesen Code mit unterschiedlichen Daten auszuprobieren.\n",
+    "In diesem Beispiel machen wir eine einfache Übung, die alle Schritte eines traditionellen Data-Science-Prozesses abdeckt. Sie müssen keinen Code schreiben, Sie können einfach auf die untenstehenden Zellen klicken, um sie auszuführen und das Ergebnis zu beobachten. Als Herausforderung wird empfohlen, diesen Code mit verschiedenen Daten auszuprobieren.\n",
     "\n",
     "## Ziel\n",
     "\n",
-    "In dieser Lektion haben wir verschiedene Konzepte im Zusammenhang mit Data Science besprochen. Lass uns versuchen, weitere verwandte Konzepte zu entdecken, indem wir etwas **Text Mining** durchführen. Wir beginnen mit einem Text über Data Science, extrahieren Schlüsselwörter daraus und versuchen dann, das Ergebnis zu visualisieren.\n",
+    "In dieser Lektion haben wir verschiedene Konzepte im Zusammenhang mit Data Science besprochen. Versuchen wir, durch **Text Mining** weitere verwandte Konzepte zu entdecken. Wir beginnen mit einem Text über Data Science, extrahieren Schlüsselwörter daraus und versuchen dann, das Ergebnis zu visualisieren.\n",
     "\n",
     "Als Text verwende ich die Seite über Data Science von Wikipedia:\n"
    ],
@@ -32,9 +32,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## Schritt 1: Datenbeschaffung\n",
+    "## Schritt 1: Die Daten holen\n",
     "\n",
-    "Der erste Schritt in jedem Data-Science-Prozess ist die Beschaffung der Daten. Wir verwenden die Bibliothek `requests`, um dies zu erledigen:\n"
+    "Der erste Schritt in jedem Data-Science-Prozess ist das Sammeln der Daten. Wir werden dafür die Bibliothek `requests` verwenden:\n"
    ],
    "metadata": {}
   },
@@ -66,45 +66,43 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## Schritt 2: Daten umwandeln\n",
+    "## Schritt 2: Transformation der Daten\n",
     "\n",
-    "Der nächste Schritt besteht darin, die Daten in eine für die Verarbeitung geeignete Form zu bringen. In unserem Fall haben wir den HTML-Quellcode von der Seite heruntergeladen und müssen ihn in einfachen Text umwandeln.\n",
+    "Der nächste Schritt ist, die Daten in eine für die Verarbeitung geeignete Form zu bringen. In unserem Fall haben wir den HTML-Quellcode von der Seite heruntergeladen und müssen ihn in reinen Text umwandeln.\n",
     "\n",
-    "Es gibt viele Möglichkeiten, dies zu tun. Wir werden das einfachste integrierte [HTMLParser](https://docs.python.org/3/library/html.parser.html)-Objekt von Python verwenden. Dazu müssen wir die `HTMLParser`-Klasse erweitern und den Code definieren, der den gesamten Text innerhalb der HTML-Tags sammelt, mit Ausnahme der `<script>`- und `<style>`-Tags.\n"
+    "Es gibt viele Möglichkeiten, dies zu tun. Wir verwenden [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), eine beliebte Python-Bibliothek zum Parsen von HTML. BeautifulSoup ermöglicht es uns, bestimmte HTML-Elemente gezielt anzusprechen, sodass wir uns auf den Hauptartikelinhalt von Wikipedia konzentrieren und einige Navigationsmenüs, Seitenleisten, Fußzeilen und anderen irrelevanten Inhalt reduzieren können (obwohl etwas Standardtext möglicherweise weiterhin vorhanden ist).\n"
    ],
    "metadata": {}
   },
+  {
+   "cell_type": "markdown",
+   "source": [
+    "Zuerst müssen wir die BeautifulSoup-Bibliothek für die HTML-Analyse installieren:\n"
+   ],
+   "metadata": {}
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "source": [
+    "import sys\r\n",
+    "!{sys.executable} -m pip install beautifulsoup4"
+   ],
+   "outputs": [],
+   "metadata": {}
+  },
   {
    "cell_type": "code",
    "execution_count": 64,
    "source": [
-    "from html.parser import HTMLParser\r\n",
-    "\r\n",
-    "class MyHTMLParser(HTMLParser):\r\n",
-    "    script = False\r\n",
-    "    res = \"\"\r\n",
-    "    def handle_starttag(self, tag, attrs):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = True\r\n",
-    "    def handle_endtag(self, tag):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = False\r\n",
-    "    def handle_data(self, data):\r\n",
-    "        if str.strip(data)==\"\" or self.script:\r\n",
-    "            return\r\n",
-    "        self.res += ' '+data.replace('[ edit ]','')\r\n",
-    "\r\n",
-    "parser = MyHTMLParser()\r\n",
-    "parser.feed(text)\r\n",
-    "text = parser.res\r\n",
-    "print(text[:1000])"
+    "from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n    \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n    # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n    selectors = [\r\n        '.mw-jump-link',\r\n        '.navbox',\r\n        '.reflist',\r\n        'sup.reference',\r\n        '.mw-editsection',\r\n        '.hatnote',\r\n        '.metadata',\r\n        '.infobox',\r\n        '#toc',\r\n        '.toc',\r\n        '.sidebar',\r\n    ]\r\n    for selector in selectors:\r\n        for el in content_node.select(selector):\r\n            el.decompose()\r\n\r\nif content:\r\n    # Clean the content node to better approximate article text only.\r\n    clean_wikipedia_content(content)\r\n    text = content.get_text(separator=' ', strip=True)\r\n    print(text[:1000])\r\nelse:\r\n    print(\"Could not find main content. Using full page text.\")\r\n    text = soup.get_text(separator=' ', strip=True)\r\n    print(text[:1000])"
    ],
    "outputs": [
     {
      "output_type": "stream",
      "name": "stdout",
      "text": [
-      " Data science - Wikipedia Data science From Wikipedia, the free encyclopedia Jump to navigation Jump to search Interdisciplinary field of study focused on deriving knowledge and insights from data Not to be confused with  information science . The existence of  Comet NEOWISE  (here depicted as a series of red dots) was discovered by analyzing  astronomical survey  data acquired by a  space telescope , the  Wide-field Infrared Survey Explorer . Part of a series on Machine learning and  data mining Problems Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction Supervised learning ( classification  •  regression ) Decision trees Ensembles Bagging Boosting Random forest k -NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine \n"
+      "Data science From Wikipedia, the free encyclopedia Interdisciplinary field of study focused on deriving knowledge and insights from data Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from noisy, structured, and unstructured data. Data science also integrates domain knowledge from the underlying application domain. Data science is multifaceted and can be described as a science, a research paradigm, a research method, a discipline, a workflow, and a profession.\n"
      ]
     }
    ],
@@ -115,9 +113,9 @@
    "source": [
     "## Schritt 3: Erkenntnisse gewinnen\n",
     "\n",
-    "Der wichtigste Schritt besteht darin, unsere Daten in eine Form zu bringen, aus der wir Erkenntnisse gewinnen können. In unserem Fall möchten wir Schlüsselwörter aus dem Text extrahieren und herausfinden, welche Schlüsselwörter aussagekräftiger sind.\n",
+    "Der wichtigste Schritt ist, unsere Daten in eine Form zu bringen, aus der wir Erkenntnisse gewinnen können. In unserem Fall möchten wir Schlüsselwörter aus dem Text extrahieren und sehen, welche Schlüsselwörter aussagekräftiger sind.\n",
     "\n",
-    "Wir werden die Python-Bibliothek [RAKE](https://github.com/aneesha/RAKE) für die Schlüsselwort-Extraktion verwenden. Zunächst installieren wir diese Bibliothek, falls sie noch nicht vorhanden ist:\n"
+    "Wir werden die Python-Bibliothek namens [RAKE](https://github.com/aneesha/RAKE) für die Schlüsselwortextraktion verwenden. Zuerst installieren wir diese Bibliothek, falls sie nicht vorhanden ist: \n"
    ],
    "metadata": {}
   },
@@ -162,7 +160,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Die Hauptfunktionalität ist über das `Rake`-Objekt verfügbar, das wir mit einigen Parametern anpassen können. In unserem Fall setzen wir die Mindestlänge eines Schlüsselworts auf 5 Zeichen, die Mindesthäufigkeit eines Schlüsselworts im Dokument auf 3 und die maximale Anzahl von Wörtern in einem Schlüsselwort auf 2. Experimentieren Sie gerne mit anderen Werten und beobachten Sie das Ergebnis.\n"
+    "Die Hauptfunktionalität ist im `Rake`-Objekt verfügbar, das wir mit einigen Parametern anpassen können. In unserem Fall setzen wir die minimale Länge eines Schlüsselworts auf 5 Zeichen, die minimale Häufigkeit eines Schlüsselworts im Dokument auf 3 und die maximale Anzahl der Wörter in einem Schlüsselwort auf 2. Fühlen Sie sich frei, mit anderen Werten zu spielen und das Ergebnis zu beobachten.\n"
    ],
    "metadata": {}
   },
@@ -211,11 +209,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Wir haben eine Liste von Begriffen zusammen mit dem zugehörigen Wichtigkeitsgrad erhalten. Wie Sie sehen können, stehen die relevantesten Disziplinen, wie maschinelles Lernen und Big Data, in der Liste an den obersten Positionen.\n",
+    "Wir haben eine Liste von Begriffen zusammen mit dem zugehörigen Wichtigkeitsgrad erhalten. Wie Sie sehen können, sind die relevantesten Disziplinen, wie maschinelles Lernen und Big Data, in der Liste an den obersten Positionen vertreten.\n",
     "\n",
     "## Schritt 4: Visualisierung des Ergebnisses\n",
     "\n",
-    "Menschen können Daten am besten in visueller Form interpretieren. Daher macht es oft Sinn, die Daten zu visualisieren, um einige Erkenntnisse zu gewinnen. Wir können die Bibliothek `matplotlib` in Python verwenden, um eine einfache Verteilung der Schlüsselwörter mit ihrer Relevanz darzustellen:\n"
+    "Daten können von Menschen am besten in visueller Form interpretiert werden. Daher ist es oft sinnvoll, die Daten zu visualisieren, um einige Erkenntnisse zu gewinnen. Wir können die Bibliothek `matplotlib` in Python verwenden, um eine einfache Verteilung der Schlüsselwörter mit ihrer Relevanz darzustellen:\n"
    ],
    "metadata": {}
   },
@@ -252,7 +250,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Es gibt jedoch eine noch bessere Möglichkeit, Wortfrequenzen zu visualisieren - mit **Word Cloud**. Wir müssen eine weitere Bibliothek installieren, um die Wortwolke aus unserer Schlüsselwortliste zu erstellen.\n"
+    "Es gibt jedoch eine noch bessere Möglichkeit, Wortfrequenzen zu visualisieren – mit **Word Cloud**. Wir müssen eine weitere Bibliothek installieren, um die Wortwolke aus unserer Schlüsselwortliste zu erstellen.\n"
    ],
    "metadata": {}
   },
@@ -268,7 +266,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "`WordCloud`-Objekt ist dafür verantwortlich, entweder den Originaltext oder eine vorab berechnete Liste von Wörtern mit ihren Häufigkeiten aufzunehmen und ein Bild zurückzugeben, das anschließend mit `matplotlib` angezeigt werden kann:\n"
+    "Das `WordCloud`-Objekt ist verantwortlich dafür, entweder den Originaltext oder eine vorab berechnete Liste von Wörtern mit deren Häufigkeiten aufzunehmen und ein Bild zurückzugeben, das dann mit `matplotlib` angezeigt werden kann:\n"
    ],
    "metadata": {}
   },
@@ -312,7 +310,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Wir können auch den Originaltext an `WordCloud` übergeben - lassen Sie uns sehen, ob wir ein ähnliches Ergebnis erzielen können:\n"
+    "Wir können auch den Originaltext an `WordCloud` übergeben – sehen wir, ob wir ein ähnliches Ergebnis erzielen können:\n"
    ],
    "metadata": {}
   },
@@ -372,9 +370,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Man sieht, dass die Wortwolke jetzt beeindruckender aussieht, aber sie enthält auch viel Rauschen (z. B. nicht verwandte Wörter wie `Retrieved on`). Außerdem erhalten wir weniger Schlüsselwörter, die aus zwei Wörtern bestehen, wie *Data Scientist* oder *Computer Science*. Dies liegt daran, dass der RAKE-Algorithmus eine viel bessere Arbeit bei der Auswahl guter Schlüsselwörter aus dem Text leistet. Dieses Beispiel verdeutlicht die Bedeutung der Datenvorverarbeitung und -bereinigung, da ein klares Bild am Ende uns ermöglicht, bessere Entscheidungen zu treffen.\n",
+    "Sie können sehen, dass die Wortwolke jetzt beeindruckender aussieht, aber sie enthält auch viel Rauschen (z. B. nicht verwandte Wörter wie `Retrieved on`). Außerdem erhalten wir weniger Schlüsselwörter, die aus zwei Wörtern bestehen, wie *data scientist* oder *computer science*. Das liegt daran, dass der RAKE-Algorithmus bei der Auswahl guter Schlüsselwörter aus Texten viel bessere Arbeit leistet. Dieses Beispiel verdeutlicht die Bedeutung der Datenvorverarbeitung und -bereinigung, da ein klares Bild am Ende uns erlaubt, bessere Entscheidungen zu treffen.\n",
     "\n",
-    "In dieser Übung haben wir einen einfachen Prozess durchlaufen, um aus Wikipedia-Texten einige Bedeutungen in Form von Schlüsselwörtern und einer Wortwolke zu extrahieren. Dieses Beispiel ist recht einfach, zeigt aber gut alle typischen Schritte, die ein Data Scientist bei der Arbeit mit Daten durchführt, angefangen bei der Datenbeschaffung bis hin zur Visualisierung.\n",
+    "In dieser Übung haben wir einen einfachen Prozess durchlaufen, um aus Wikipedia-Texten eine Bedeutung in Form von Schlüsselwörtern und Wortwolke zu extrahieren. Dieses Beispiel ist recht einfach, zeigt aber gut alle typischen Schritte, die ein Data Scientist bei der Arbeit mit Daten durchläuft, angefangen bei der Datenerfassung bis hin zur Visualisierung.\n",
     "\n",
     "In unserem Kurs werden wir all diese Schritte im Detail besprechen.\n"
    ],
@@ -394,7 +392,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**Haftungsausschluss**:  \nDieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Haftungsausschluss**:\nDieses Dokument wurde mithilfe des KI-Übersetzungsdienstes [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, bitten wir zu beachten, dass automatische Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache ist als maßgebliche Quelle zu betrachten. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -418,12 +416,6 @@
   },
   "interpreter": {
    "hash": "c28e7b6bf4e5b397b8288a85bf0a94ea8d3585ce2b01919feb195678ec71581b"
-  },
-  "coopTranslator": {
-   "original_hash": "50c0f0a5204a18405611cbe7e0fec56b",
-   "translation_date": "2025-09-01T23:30:50+00:00",
-   "source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
-   "language_code": "de"
   }
  },
  "nbformat": 4,
diff --git a/translations/de/1-Introduction/01-defining-data-science/solution/notebook.ipynb b/translations/de/1-Introduction/01-defining-data-science/solution/notebook.ipynb
index b6f73279..2c5c26ff 100644
--- a/translations/de/1-Introduction/01-defining-data-science/solution/notebook.ipynb
+++ b/translations/de/1-Introduction/01-defining-data-science/solution/notebook.ipynb
@@ -3,17 +3,17 @@
   {
    "cell_type": "markdown",
    "source": [
-    "# Herausforderung: Analyse von Text über Data Science\n",
+    "# Herausforderung: Analyse von Texten über Data Science\n",
     "\n",
-    "> *In diesem Notebook experimentieren wir mit der Verwendung verschiedener URLs - Wikipedia-Artikel über Machine Learning. Sie können sehen, dass dieser Artikel, im Gegensatz zu Data Science, viele Fachbegriffe enthält, was die Analyse problematischer macht. Wir müssen uns eine andere Methode überlegen, um die Daten nach der Schlüsselwort-Extraktion zu bereinigen, um einige häufige, aber nicht aussagekräftige Wortkombinationen zu entfernen.*\n",
+    "> *In diesem Notizbuch experimentieren wir mit der Verwendung verschiedener URLs – Wikipedia-Artikel über Maschinelles Lernen. Sie können sehen, dass im Gegensatz zu Data Science dieser Artikel viele Begriffe enthält, was die Analyse problematischer macht. Wir müssen nach der Schlüsselwortextraktion einen anderen Weg finden, die Daten zu bereinigen, um einige häufige, aber nicht aussagekräftige Wortkombinationen zu entfernen.*\n",
     "\n",
-    "In diesem Beispiel machen wir eine einfache Übung, die alle Schritte eines traditionellen Data-Science-Prozesses abdeckt. Sie müssen keinen Code schreiben, sondern können einfach auf die untenstehenden Zellen klicken, um sie auszuführen und das Ergebnis zu beobachten. Als Herausforderung werden Sie ermutigt, diesen Code mit unterschiedlichen Daten auszuprobieren.\n",
+    "In diesem Beispiel machen wir eine einfache Übung, die alle Schritte eines traditionellen Data-Science-Prozesses abdeckt. Sie müssen keinen Code schreiben, Sie können einfach die Zellen unten anklicken, um sie auszuführen und das Ergebnis zu beobachten. Als Herausforderung sind Sie eingeladen, diesen Code mit anderen Daten auszuprobieren.\n",
     "\n",
     "## Ziel\n",
     "\n",
-    "In dieser Lektion haben wir verschiedene Konzepte im Zusammenhang mit Data Science besprochen. Lassen Sie uns versuchen, weitere verwandte Konzepte durch **Text Mining** zu entdecken. Wir beginnen mit einem Text über Data Science, extrahieren Schlüsselwörter daraus und versuchen dann, das Ergebnis zu visualisieren.\n",
+    "In dieser Lektion haben wir verschiedene Konzepte rund um Data Science besprochen. Versuchen wir, weitere verwandte Konzepte durch **Text Mining** zu entdecken. Wir beginnen mit einem Text über Data Science, extrahieren Schlüsselwörter daraus und versuchen dann, das Ergebnis zu visualisieren.\n",
     "\n",
-    "Als Text werde ich die Seite über Data Science von Wikipedia verwenden:\n"
+    "Als Text verwende ich die Seite über Data Science von Wikipedia:\n"
    ],
    "metadata": {}
   },
@@ -35,9 +35,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## Schritt 1: Daten beschaffen\n",
+    "## Schritt 1: Datenbeschaffung\n",
     "\n",
-    "Der erste Schritt in jedem Data-Science-Prozess ist das Beschaffen der Daten. Wir verwenden dazu die Bibliothek `requests`:\n"
+    "Der erste Schritt in jedem Data-Science-Prozess ist die Beschaffung der Daten. Wir verwenden dafür die Bibliothek `requests`:\n"
    ],
    "metadata": {}
   },
@@ -69,45 +69,43 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## Schritt 2: Umwandlung der Daten\n",
+    "## Schritt 2: Daten transformieren\n",
     "\n",
-    "Der nächste Schritt besteht darin, die Daten in eine für die Verarbeitung geeignete Form zu bringen. In unserem Fall haben wir den HTML-Quellcode der Seite heruntergeladen und müssen ihn in reinen Text umwandeln.\n",
+    "Der nächste Schritt besteht darin, die Daten in eine für die Verarbeitung geeignete Form zu bringen. In unserem Fall haben wir den HTML-Quellcode von der Seite heruntergeladen, und wir müssen ihn in reinen Text umwandeln.\n",
     "\n",
-    "Es gibt viele Möglichkeiten, dies zu tun. Wir werden das einfachste, eingebaute [HTMLParser](https://docs.python.org/3/library/html.parser.html)-Objekt aus Python verwenden. Dazu müssen wir die `HTMLParser`-Klasse erweitern und den Code definieren, der den gesamten Text innerhalb der HTML-Tags sammelt, mit Ausnahme der `<script>`- und `<style>`-Tags.\n"
+    "Es gibt viele Möglichkeiten, dies zu tun. Wir werden [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), eine beliebte Python-Bibliothek zum Parsen von HTML, verwenden. BeautifulSoup ermöglicht es uns, gezielt bestimmte HTML-Elemente anzusprechen, sodass wir uns auf den Hauptartikelinhalt von Wikipedia konzentrieren und einige Navigationsmenüs, Seitenleisten, Fußzeilen und andere irrelevante Inhalte reduzieren können (obwohl einige Boilerplate-Texte möglicherweise noch bleiben).\n"
+   ],
+   "metadata": {}
+  },
+  {
+   "cell_type": "markdown",
+   "source": [
+    "Zuerst müssen wir die BeautifulSoup-Bibliothek für die HTML-Analyse installieren:\n"
    ],
    "metadata": {}
   },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "source": [
+    "import sys\r\n",
+    "!{sys.executable} -m pip install beautifulsoup4"
+   ],
+   "outputs": [],
+   "metadata": {}
+  },
   {
    "cell_type": "code",
    "execution_count": 4,
    "source": [
-    "from html.parser import HTMLParser\r\n",
-    "\r\n",
-    "class MyHTMLParser(HTMLParser):\r\n",
-    "    script = False\r\n",
-    "    res = \"\"\r\n",
-    "    def handle_starttag(self, tag, attrs):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = True\r\n",
-    "    def handle_endtag(self, tag):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = False\r\n",
-    "    def handle_data(self, data):\r\n",
-    "        if str.strip(data)==\"\" or self.script:\r\n",
-    "            return\r\n",
-    "        self.res += ' '+data.replace('[ edit ]','')\r\n",
-    "\r\n",
-    "parser = MyHTMLParser()\r\n",
-    "parser.feed(text)\r\n",
-    "text = parser.res\r\n",
-    "print(text[:1000])"
+    "from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n    \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n    # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n    selectors = [\r\n        '.mw-jump-link',\r\n        '.navbox',\r\n        '.reflist',\r\n        'sup.reference',\r\n        '.mw-editsection',\r\n        '.hatnote',\r\n        '.metadata',\r\n        '.infobox',\r\n        '#toc',\r\n        '.toc',\r\n        '.sidebar',\r\n    ]\r\n    for selector in selectors:\r\n        for el in content_node.select(selector):\r\n            el.decompose()\r\n\r\nif content:\r\n    # Clean the content node to better approximate article text only.\r\n    clean_wikipedia_content(content)\r\n    text = content.get_text(separator=' ', strip=True)\r\n    print(text[:1000])\r\nelse:\r\n    print(\"Could not find main content. Using full page text.\")\r\n    text = soup.get_text(separator=' ', strip=True)\r\n    print(text[:1000])"
    ],
    "outputs": [
     {
      "output_type": "stream",
      "name": "stdout",
      "text": [
-      " Machine learning - Wikipedia Machine learning From Wikipedia, the free encyclopedia Jump to navigation Jump to search Study of algorithms that improve automatically through experience For the journal, see  Machine Learning (journal) . \"Statistical learning\" redirects here. For statistical learning in linguistics, see  statistical learning in language acquisition . Part of a series on Artificial intelligence Major goals Artificial general intelligence Planning Computer vision General game playing Knowledge reasoning Machine learning Natural language processing Robotics Approaches Symbolic Deep learning Bayesian networks Evolutionary algorithms Philosophy Ethics Existential risk Turing test Chinese room Control problem Friendly AI History Timeline Progress AI winter Technology Applications Projects Programming languages Glossary Glossary v t e Part of a series on Machine learning and  data mining Problems Classification Clustering Regression Anomaly detection Data Cleaning AutoML Associ\n"
+      "Machine learning From Wikipedia, the free encyclopedia Study of algorithms that improve automatically through experience Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. ML finds application in many fields, including natural language processing, computer vision, speech recognition, email filtering, agriculture, and medicine.\n"
      ]
     }
    ],
@@ -118,9 +116,9 @@
    "source": [
     "## Schritt 3: Erkenntnisse gewinnen\n",
     "\n",
-    "Der wichtigste Schritt besteht darin, unsere Daten in eine Form zu bringen, aus der wir Erkenntnisse gewinnen können. In unserem Fall möchten wir Schlüsselwörter aus dem Text extrahieren und herausfinden, welche Schlüsselwörter besonders aussagekräftig sind.\n",
+    "Der wichtigste Schritt ist es, unsere Daten in eine Form zu bringen, aus der wir Erkenntnisse gewinnen können. In unserem Fall möchten wir Schlüsselwörter aus dem Text extrahieren und sehen, welche Schlüsselwörter aussagekräftiger sind.\n",
     "\n",
-    "Wir verwenden die Python-Bibliothek [RAKE](https://github.com/aneesha/RAKE) für die Schlüsselwort-Extraktion. Zuerst installieren wir diese Bibliothek, falls sie noch nicht vorhanden ist:\n"
+    "Wir werden die Python-Bibliothek namens [RAKE](https://github.com/aneesha/RAKE) für die Schlüsselwortextraktion verwenden. Zuerst installieren wir diese Bibliothek, falls sie nicht vorhanden ist: \n"
    ],
    "metadata": {}
   },
@@ -172,7 +170,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Die Hauptfunktionalität ist über das `Rake`-Objekt verfügbar, das wir mit einigen Parametern anpassen können. In unserem Fall setzen wir die Mindestlänge eines Schlüsselworts auf 5 Zeichen, die Mindesthäufigkeit eines Schlüsselworts im Dokument auf 3 und die maximale Anzahl von Wörtern in einem Schlüsselwort auf 2. Experimentieren Sie gerne mit anderen Werten und beobachten Sie das Ergebnis.\n"
+    "Die Hauptfunktionalität steht über das `Rake`-Objekt zur Verfügung, das wir mit einigen Parametern anpassen können. In unserem Fall setzen wir die minimale Länge eines Schlüsselworts auf 5 Zeichen, die minimale Häufigkeit eines Schlüsselworts im Dokument auf 3 und die maximale Anzahl der Wörter in einem Schlüsselwort auf 2. Probieren Sie gerne auch andere Werte aus und beobachten Sie das Ergebnis.\n"
    ],
    "metadata": {}
   },
@@ -353,11 +351,12 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Wir haben eine Liste von Begriffen zusammen mit dem zugehörigen Wichtigkeitsgrad erhalten. Wie Sie sehen können, stehen die relevantesten Disziplinen, wie Machine Learning und Big Data, in der Liste an den obersten Positionen.\n",
+    "\n",
+    "Wir haben eine Liste von Begriffen zusammen mit dem zugehörigen Relevanzgrad erhalten. Wie Sie sehen können, sind die relevantesten Disziplinen, wie maschinelles Lernen und Big Data, ganz oben in der Liste vertreten.\n",
     "\n",
     "## Schritt 4: Visualisierung des Ergebnisses\n",
     "\n",
-    "Menschen können Daten am besten in visueller Form interpretieren. Daher macht es oft Sinn, die Daten zu visualisieren, um einige Erkenntnisse zu gewinnen. Wir können die Bibliothek `matplotlib` in Python verwenden, um eine einfache Verteilung der Schlüsselwörter mit ihrer Relevanz darzustellen:\n"
+    "Menschen können Daten am besten in visueller Form interpretieren. Daher ist es oft sinnvoll, die Daten zu visualisieren, um einige Erkenntnisse zu gewinnen. Wir können die Bibliothek `matplotlib` in Python verwenden, um die einfache Verteilung der Schlüsselwörter mit ihrer Relevanz darzustellen:\n"
    ],
    "metadata": {}
   },
@@ -392,7 +391,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Es gibt jedoch eine noch bessere Möglichkeit, Wortfrequenzen zu visualisieren - mit **Word Cloud**. Wir müssen eine weitere Bibliothek installieren, um die Wortwolke aus unserer Schlüsselwortliste zu erstellen.\n"
+    "Es gibt jedoch eine noch bessere Möglichkeit, Wortfrequenzen zu visualisieren – mit **Wortwolke**. Wir müssen eine weitere Bibliothek installieren, um die Wortwolke aus unserer Schlüsselwortliste zu erstellen.\n"
    ],
    "metadata": {}
   },
@@ -408,7 +407,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "`WordCloud`-Objekt ist dafür verantwortlich, entweder den Originaltext oder eine vorab berechnete Liste von Wörtern mit ihren Häufigkeiten aufzunehmen und ein Bild zurückzugeben, das dann mit `matplotlib` angezeigt werden kann:\n"
+    "Das `WordCloud`-Objekt ist dafür verantwortlich, entweder den ursprünglichen Text oder eine vorab berechnete Liste von Wörtern mit deren Häufigkeiten entgegenzunehmen und ein Bild zurückzugeben, das dann mit `matplotlib` angezeigt werden kann:\n"
    ],
    "metadata": {}
   },
@@ -441,7 +440,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Wir können auch den ursprünglichen Text an `WordCloud` übergeben - mal sehen, ob wir ein ähnliches Ergebnis erzielen können:\n"
+    "Wir können auch den Originaltext an `WordCloud` übergeben – schauen wir, ob wir ein ähnliches Ergebnis erzielen können:\n"
    ],
    "metadata": {}
   },
@@ -490,9 +489,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Man sieht, dass die Wortwolke jetzt beeindruckender aussieht, aber sie enthält auch viel \"Rauschen\" (z. B. nicht zusammenhängende Wörter wie `Retrieved on`). Außerdem erhalten wir weniger Schlüsselwörter, die aus zwei Wörtern bestehen, wie *Data Scientist* oder *Computer Science*. Das liegt daran, dass der RAKE-Algorithmus eine deutlich bessere Arbeit bei der Auswahl guter Schlüsselwörter aus dem Text leistet. Dieses Beispiel verdeutlicht die Bedeutung der Datenvorverarbeitung und -bereinigung, da ein klares Bild am Ende uns ermöglicht, bessere Entscheidungen zu treffen.\n",
+    "Sie können sehen, dass die Wortwolke jetzt beeindruckender aussieht, aber sie enthält auch viel Rauschen (z. B. nicht verwandte Wörter wie `Retrieved on`). Außerdem erhalten wir weniger Schlüsselwörter, die aus zwei Wörtern bestehen, wie *Datenwissenschaftler* oder *Informatik*. Dies liegt daran, dass der RAKE-Algorithmus bei der Auswahl guter Schlüsselwörter aus Texten wesentlich bessere Ergebnisse erzielt. Dieses Beispiel verdeutlicht die Bedeutung der Datenvorverarbeitung und -bereinigung, denn ein klares Bild am Ende ermöglicht es uns, bessere Entscheidungen zu treffen.\n",
     "\n",
-    "In dieser Übung haben wir einen einfachen Prozess durchlaufen, um aus Wikipedia-Texten einige Bedeutungen in Form von Schlüsselwörtern und einer Wortwolke zu extrahieren. Dieses Beispiel ist zwar recht einfach, zeigt aber gut alle typischen Schritte, die ein Data Scientist bei der Arbeit mit Daten durchläuft – angefangen bei der Datenbeschaffung bis hin zur Visualisierung.\n",
+    "In dieser Übung haben wir einen einfachen Prozess durchlaufen, um aus einem Wikipedia-Text Bedeutung in Form von Schlüsselwörtern und einer Wortwolke zu extrahieren. Dieses Beispiel ist recht einfach, aber es zeigt gut alle typischen Schritte auf, die ein Datenwissenschaftler beim Arbeiten mit Daten durchläuft, angefangen von der Datenbeschaffung bis hin zur Visualisierung.\n",
     "\n",
     "In unserem Kurs werden wir all diese Schritte im Detail besprechen.\n"
    ],
@@ -502,7 +501,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**Haftungsausschluss**:  \nDieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, weisen wir darauf hin, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Haftungsausschluss**:  \nDieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir bemüht sind, eine genaue Übersetzung zu liefern, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner Ausgangssprache gilt als maßgebliche Quelle. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -526,12 +525,6 @@
   },
   "interpreter": {
    "hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
-  },
-  "coopTranslator": {
-   "original_hash": "dbdf34788efab64e5d817f1df38965a8",
-   "translation_date": "2025-09-01T23:42:13+00:00",
-   "source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
-   "language_code": "de"
   }
  },
  "nbformat": 4,
diff --git a/translations/de/1-Introduction/04-stats-and-probability/README.md b/translations/de/1-Introduction/04-stats-and-probability/README.md
index 2a65987b..37647bb8 100644
--- a/translations/de/1-Introduction/04-stats-and-probability/README.md
+++ b/translations/de/1-Introduction/04-stats-and-probability/README.md
@@ -6,7 +6,7 @@
 
 Statistik und Wahrscheinlichkeitsrechnung sind zwei eng miteinander verbundene Bereiche der Mathematik, die für Data Science von großer Bedeutung sind. Es ist möglich, mit Daten zu arbeiten, ohne tiefgehende mathematische Kenntnisse zu haben, aber es ist dennoch hilfreich, zumindest einige grundlegende Konzepte zu kennen. Hier geben wir eine kurze Einführung, die Ihnen den Einstieg erleichtert.
 
-[![Einführungsvideo](../../../../translated_images/de/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.png)](https://youtu.be/Z5Zy85g4Yjw)
+[![Einführungsvideo](../../../../translated_images/de/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
 
 ## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ds/quiz/6)
 
@@ -30,7 +30,7 @@ Es ist schwieriger, die Wahrscheinlichkeitsverteilung einer stetigen Variablen z
 
 Wir können nur über die Wahrscheinlichkeit sprechen, dass eine Variable in ein bestimmtes Werteintervall fällt, z. B. P(t<sub>1</sub>≤X<t<sub>2</sub>). In diesem Fall wird die Wahrscheinlichkeitsverteilung durch eine **Wahrscheinlichkeitsdichtefunktion** p(x) beschrieben, sodass
 
-![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/de/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.png)
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/de/probability-density.a8aad29f17a14afb.webp)
 
 Ein stetiges Analogon der gleichmäßigen Verteilung wird als **stetige Gleichverteilung** bezeichnet, die auf einem endlichen Intervall definiert ist. Die Wahrscheinlichkeit, dass der Wert X in ein Intervall der Länge l fällt, ist proportional zu l und steigt bis zu 1.
 
@@ -73,11 +73,11 @@ Wenn wir Daten aus der realen Welt analysieren, sind sie oft keine Zufallsvariab
 
 Hier ist der Boxplot, der Mittelwert, Median und Quartile für unsere Daten zeigt:
 
-![Gewichts-Boxplot](../../../../translated_images/de/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.png)
+![Gewichts-Boxplot](../../../../translated_images/de/weight-boxplot.1dbab1c03af26f8a.webp)
 
 Da unsere Daten Informationen über verschiedene Spieler**rollen** enthalten, können wir auch den Boxplot nach Rollen erstellen – so können wir erkennen, wie sich die Parameterwerte je nach Rolle unterscheiden. Diesmal betrachten wir die Größe:
 
-![Boxplot nach Rolle](../../../../translated_images/de/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.png)
+![Boxplot nach Rolle](../../../../translated_images/de/boxplot_byrole.036b27a1c3f52d42.webp)
 
 Dieses Diagramm deutet darauf hin, dass die Größe von First Basemen im Durchschnitt höher ist als die von Second Basemen. Später in dieser Lektion werden wir lernen, wie wir diese Hypothese formeller testen können und wie wir zeigen können, dass unsere Daten statistisch signifikant sind, um dies zu belegen.
 
@@ -85,7 +85,7 @@ Dieses Diagramm deutet darauf hin, dass die Größe von First Basemen im Durchsc
 
 Um zu sehen, wie die Verteilung unserer Daten aussieht, können wir ein Diagramm namens **Histogramm** erstellen. Die X-Achse enthält eine Anzahl verschiedener Gewichtsintervalle (sogenannte **Bins**), und die Y-Achse zeigt die Anzahl der Male, die unsere Zufallsvariablenstichprobe in ein bestimmtes Intervall fiel.
 
-![Histogramm realer Daten](../../../../translated_images/de/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.png)
+![Histogramm realer Daten](../../../../translated_images/de/weight-histogram.bfd00caf7fc30b14.webp)
 
 Aus diesem Histogramm können Sie erkennen, dass alle Werte um einen bestimmten mittleren Wert zentriert sind und dass die Wahrscheinlichkeit, dass ein Gewicht stark vom Mittelwert abweicht, geringer ist. Die Varianz der Gewichte zeigt, in welchem Maße die Gewichte wahrscheinlich vom Mittelwert abweichen.
 
@@ -102,7 +102,7 @@ samples = np.random.normal(mean,std,1000)
 
 Wenn wir das Histogramm der generierten Stichproben zeichnen, sehen wir ein Bild, das dem oben gezeigten sehr ähnlich ist. Und wenn wir die Anzahl der Stichproben und die Anzahl der Bins erhöhen, können wir ein Bild einer Normalverteilung erzeugen, das näher an der idealen Form liegt:
 
-![Normalverteilung mit Mittelwert=0 und Standardabweichung=1](../../../../translated_images/de/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.png)
+![Normalverteilung mit Mittelwert=0 und Standardabweichung=1](../../../../translated_images/de/normal-histogram.dfae0d67c202137d.webp)
 
 *Normalverteilung mit Mittelwert=0 und Standardabweichung=1*
 
@@ -224,7 +224,7 @@ array([[1.        , 0.52959196],
 
 In unserem Fall zeigt der Wert 0.53 an, dass es eine gewisse Korrelation zwischen dem Gewicht und der Größe einer Person gibt. Wir können auch das Streudiagramm eines Wertes gegen den anderen erstellen, um die Beziehung visuell zu sehen:
 
-![Beziehung zwischen Gewicht und Größe](../../../../translated_images/de/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.png)
+![Beziehung zwischen Gewicht und Größe](../../../../translated_images/de/weight-height-relationship.3f06bde4ca2aba99.webp)
 
 > Weitere Beispiele für Korrelation und Kovarianz finden Sie im [begleitenden Notebook](notebook.ipynb).
 
diff --git a/translations/de/1-Introduction/README.md b/translations/de/1-Introduction/README.md
index b62675c9..d638f613 100644
--- a/translations/de/1-Introduction/README.md
+++ b/translations/de/1-Introduction/README.md
@@ -1,6 +1,6 @@
 # Einführung in Data Science
 
-![Daten in Aktion](../../../translated_images/de/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.jpg)
+![Daten in Aktion](../../../translated_images/de/data.48e22bb7617d8d92.webp)
 > Foto von <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> auf <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
   
 In diesen Lektionen erfahren Sie, wie Data Science definiert wird und lernen die ethischen Überlegungen kennen, die ein Data Scientist berücksichtigen muss. Außerdem lernen Sie, wie Daten definiert werden, und erhalten einen Einblick in Statistik und Wahrscheinlichkeit, die zentralen akademischen Bereiche der Data Science.
diff --git a/translations/de/2-Working-With-Data/07-python/README.md b/translations/de/2-Working-With-Data/07-python/README.md
index a60b501c..8579be1d 100644
--- a/translations/de/2-Working-With-Data/07-python/README.md
+++ b/translations/de/2-Working-With-Data/07-python/README.md
@@ -4,7 +4,7 @@
 | :-------------------------------------------------------------------------------------------------------: |
 |                 Arbeiten mit Python - _Sketchnote von [@nitya](https://twitter.com/nitya)_                 |
 
-[![Einführungsvideo](../../../../translated_images/de/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.png)](https://youtu.be/dZjWOGbsN4Y)
+[![Einführungsvideo](../../../../translated_images/de/video-ds-python.245247dc811db8e4.webp)](https://youtu.be/dZjWOGbsN4Y)
 
 Während Datenbanken sehr effiziente Möglichkeiten bieten, Daten zu speichern und sie mit Abfragesprachen zu durchsuchen, ist die flexibelste Art der Datenverarbeitung das Schreiben eines eigenen Programms, um die Daten zu manipulieren. In vielen Fällen wäre eine Datenbankabfrage effektiver. Es gibt jedoch Situationen, in denen komplexere Datenverarbeitungen erforderlich sind, die sich nicht einfach mit SQL umsetzen lassen.  
 Datenverarbeitung kann in jeder Programmiersprache programmiert werden, aber es gibt bestimmte Sprachen, die sich besonders gut für die Arbeit mit Daten eignen. Datenwissenschaftler bevorzugen typischerweise eine der folgenden Sprachen:
@@ -64,7 +64,7 @@ print(f"Length of index is {len(idx)}")
 items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
 items_sold.plot()
 ```
-![Zeitreihen-Diagramm](../../../../translated_images/de/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.png)
+![Zeitreihen-Diagramm](../../../../translated_images/de/timeseries-1.80de678ab1cf727e.webp)
 
 Angenommen, wir organisieren jede Woche eine Party für Freunde und nehmen zusätzlich 10 Packungen Eis für die Party. Wir können eine weitere Serie erstellen, die nach Wochen indiziert ist, um dies zu demonstrieren:
 ```python
@@ -75,7 +75,7 @@ Wenn wir zwei Series zusammenaddieren, erhalten wir die Gesamtanzahl:
 total_items = items_sold.add(additional_items,fill_value=0)
 total_items.plot()
 ```
-![Zeitreihen-Diagramm](../../../../translated_images/de/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.png)
+![Zeitreihen-Diagramm](../../../../translated_images/de/timeseries-2.aae51d575c55181c.webp)
 
 > **Hinweis**: Wir verwenden nicht die einfache Syntax `total_items+additional_items`. Wenn wir dies täten, würden wir viele `NaN` (*Not a Number*)-Werte in der resultierenden Serie erhalten. Dies liegt daran, dass für einige Indexpunkte in der Serie `additional_items` Werte fehlen, und das Addieren von `NaN` zu irgendetwas ergibt `NaN`. Daher müssen wir den Parameter `fill_value` während der Addition angeben.
 
@@ -84,7 +84,7 @@ Mit Zeitreihen können wir die Serie auch mit unterschiedlichen Zeitintervallen
 monthly = total_items.resample("1M").mean()
 ax = monthly.plot(kind='bar')
 ```
-![Monatliche Zeitreihen-Durchschnitte](../../../../translated_images/de/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.png)
+![Monatliche Zeitreihen-Durchschnitte](../../../../translated_images/de/timeseries-3.f3147cbc8c624881.webp)
 
 ### DataFrame
 
@@ -210,7 +210,7 @@ Das erste Problem, auf das wir uns konzentrieren werden, ist die Modellierung de
 
 Da wir demonstrieren möchten, wie man mit Daten umgeht, laden wir Sie ein, [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) zu öffnen und es von oben bis unten zu lesen. Sie können auch Zellen ausführen und einige Herausforderungen lösen, die wir am Ende für Sie hinterlassen haben.
 
-![COVID Spread](../../../../translated_images/de/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.png)
+![COVID Spread](../../../../translated_images/de/covidspread.f3d131c4f1d260ab.webp)
 
 > Wenn Sie nicht wissen, wie man Code in Jupyter Notebook ausführt, werfen Sie einen Blick auf [diesen Artikel](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
 
@@ -232,7 +232,7 @@ Ein vollständiges Beispiel für die Analyse dieses Datensatzes mit dem kognitiv
 
 Öffnen Sie [`notebook-papers.ipynb`](notebook-papers.ipynb) und lesen Sie es von oben bis unten. Sie können auch Zellen ausführen und einige Herausforderungen lösen, die wir am Ende für Sie hinterlassen haben.
 
-![Covid Medical Treatment](../../../../translated_images/de/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.png)
+![Covid Medical Treatment](../../../../translated_images/de/covidtreat.b2ba59f57ca45fbc.webp)
 
 ## Verarbeitung von Bilddaten
 
diff --git a/translations/de/2-Working-With-Data/07-python/notebook-covidspread.ipynb b/translations/de/2-Working-With-Data/07-python/notebook-covidspread.ipynb
index 7a2109dc..63d0194f 100644
--- a/translations/de/2-Working-With-Data/07-python/notebook-covidspread.ipynb
+++ b/translations/de/2-Working-With-Data/07-python/notebook-covidspread.ipynb
@@ -8,7 +8,7 @@
     "\n",
     "## Daten laden\n",
     "\n",
-    "Wir verwenden Daten zu COVID-19-Infizierten, die vom [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) an der [Johns Hopkins University](https://jhu.edu/) bereitgestellt werden. Der Datensatz ist in [diesem GitHub-Repository](https://github.com/CSSEGISandData/COVID-19) verfügbar.\n"
+    "Wir werden Daten zu COVID-19-infizierten Personen verwenden, die vom [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) an der [Johns Hopkins University](https://jhu.edu/) bereitgestellt werden. Der Datensatz ist in [diesem GitHub-Repository](https://github.com/CSSEGISandData/COVID-19) verfügbar.\n"
    ]
   },
   {
@@ -27,7 +27,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Wir können die neuesten Daten direkt von GitHub mit `pd.read_csv` laden. Falls die Daten aus irgendeinem Grund nicht verfügbar sind, können Sie immer die lokal verfügbare Kopie im Ordner `data` verwenden - kommentieren Sie einfach die Zeile aus, die `base_url` definiert:\n"
+    "Wir können die neuesten Daten direkt von GitHub mit `pd.read_csv` laden. Falls die Daten aus irgendeinem Grund nicht verfügbar sind, können Sie immer die lokale Kopie im Ordner `data` verwenden – kommentieren Sie einfach die folgende Zeile aus, die `base_url` definiert:\n"
    ]
   },
   {
@@ -47,7 +47,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "Lassen Sie uns nun die Daten für infizierte Personen laden und sehen, wie die Daten aussehen:\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -263,7 +265,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Wir können sehen, dass jede Zeile der Tabelle die Anzahl der infizierten Personen für jedes Land und/oder jede Provinz definiert, und die Spalten entsprechen den Daten. Ähnliche Tabellen können für andere Daten geladen werden, wie die Anzahl der Genesenen und die Anzahl der Todesfälle.\n"
+    "Wir können sehen, dass jede Zeile der Tabelle die Anzahl der infizierten Personen für jedes Land und/oder jede Provinz definiert, und die Spalten entsprechen den Daten. Ähnliche Tabellen können für andere Daten geladen werden, wie z. B. die Anzahl der Genesenen und die Anzahl der Todesfälle.\n"
    ]
   },
   {
@@ -282,7 +284,7 @@
    "source": [
     "## Verständnis der Daten\n",
     "\n",
-    "Aus der obigen Tabelle geht die Rolle der Spalte \"Province\" nicht eindeutig hervor. Schauen wir uns die verschiedenen Werte an, die in der Spalte `Province/State` vorhanden sind:\n"
+    "Aus der obigen Tabelle ist die Rolle der Spalte „Province“ nicht klar. Schauen wir uns die verschiedenen Werte an, die in der Spalte „Province/State“ vorhanden sind:\n"
    ]
   },
   {
@@ -319,7 +321,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "Aus den Namen können wir schließen, dass Länder wie Australien und China eine detailliertere Aufschlüsselung nach Provinzen haben. Schauen wir uns Informationen über China als Beispiel an:\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -1319,7 +1323,7 @@
    "source": [
     "## Vorverarbeitung der Daten\n",
     "\n",
-    "Wir sind nicht daran interessiert, Länder in weitere Gebiete aufzuteilen. Daher würden wir zunächst diese Aufteilung entfernen und die Informationen aller Gebiete zusammenfassen, um Daten für das gesamte Land zu erhalten. Dies kann mit `groupby` durchgeführt werden:\n"
+    "Wir sind nicht daran interessiert, Länder in weitere Gebiete aufzuteilen, daher werden wir diese Aufteilung zuerst entfernen und Informationen zu allen Gebieten zusammenführen, um Informationen für das gesamte Land zu erhalten. Dies kann mit `groupby` durchgeführt werden:\n"
    ]
   },
   {
@@ -1574,7 +1578,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Sie können sehen, dass aufgrund der Verwendung von `groupby` alle DataFrames jetzt nach Land/Region indexiert sind. Wir können daher auf die Daten für ein bestimmtes Land mit `.loc` zugreifen:|\n"
+    "Sie können sehen, dass aufgrund der Verwendung von `groupby` alle DataFrames jetzt nach Land/Region indexiert sind. Wir können somit auf die Daten eines bestimmten Landes mit `.loc` zugreifen:|\n"
    ]
   },
   {
@@ -1583,20 +1587,19 @@
    "metadata": {},
    "outputs": [
     {
+     "output_type": "display_data",
      "data": {
-      "image/png": "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",
-      "image/svg+xml": "<?xml version=\"1.0\" encoding=\"utf-8\" standalone=\"no\"?>\r\n<!DOCTYPE svg PUBLIC \"-//W3C//DTD SVG 1.1//EN\"\r\n  \"http://www.w3.org/Graphics/SVG/1.1/DTD/svg11.dtd\">\r\n<svg height=\"207.996562pt\" version=\"1.1\" viewBox=\"0 0 585.7625 207.996562\" width=\"585.7625pt\" xmlns=\"http://www.w3.org/2000/svg\" xmlns:xlink=\"http://www.w3.org/1999/xlink\">\r\n <metadata>\r\n  <rdf:RDF xmlns:cc=\"http://creativecommons.org/ns#\" xmlns:dc=\"http://purl.org/dc/elements/1.1/\" xmlns:rdf=\"http://www.w3.org/1999/02/22-rdf-syntax-ns#\">\r\n   <cc:Work>\r\n    <dc:type rdf:resource=\"http://purl.org/dc/dcmitype/StillImage\"/>\r\n    <dc:date>2021-08-30T11:16:56.636352</dc:date>\r\n    <dc:format>image/svg+xml</dc:format>\r\n    <dc:creator>\r\n     <cc:Agent>\r\n      <dc:title>Matplotlib v3.4.2, https://matplotlib.org/</dc:title>\r\n     </cc:Agent>\r\n    </dc:creator>\r\n   </cc:Work>\r\n  </rdf:RDF>\r\n </metadata>\r\n <defs>\r\n  <style type=\"text/css\">*{stroke-linecap:butt;stroke-linejoin:round;}</style>\r\n </defs>\r\n <g id=\"figure_1\">\r\n  <g id=\"patch_1\">\r\n   <path d=\"M 0 207.996562 \r\nL 585.7625 207.996562 \r\nL 585.7625 0 \r\nL 0 0 \r\nz\r\n\" style=\"fill:#ffffff;\"/>\r\n  </g>\r\n  <g id=\"axes_1\">\r\n   <g id=\"patch_2\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 578.5625 184.118437 \r\nL 578.5625 17.798437 \r\nL 20.5625 17.798437 \r\nz\r\n\" style=\"fill:#ffffff;\"/>\r\n   </g>\r\n   <g id=\"matplotlib.axis_1\">\r\n    <g id=\"xtick_1\">\r\n     <g id=\"line2d_1\">\r\n      <defs>\r\n       <path d=\"M 0 0 \r\nL 0 3.5 \r\n\" id=\"m2e330da247\" style=\"stroke:#000000;stroke-width:0.8;\"/>\r\n      </defs>\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"45.926136\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_1\">\r\n      <!-- 1/22/20 -->\r\n      <g transform=\"translate(26.651136 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 794 531 \r\nL 1825 531 \r\nL 1825 4091 \r\nL 703 3866 \r\nL 703 4441 \r\nL 1819 4666 \r\nL 2450 4666 \r\nL 2450 531 \r\nL 3481 531 \r\nL 3481 0 \r\nL 794 0 \r\nL 794 531 \r\nz\r\n\" id=\"DejaVuSans-31\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 1625 4666 \r\nL 2156 4666 \r\nL 531 -594 \r\nL 0 -594 \r\nL 1625 4666 \r\nz\r\n\" id=\"DejaVuSans-2f\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 1228 531 \r\nL 3431 531 \r\nL 3431 0 \r\nL 469 0 \r\nL 469 531 \r\nQ 828 903 1448 1529 \r\nQ 2069 2156 2228 2338 \r\nQ 2531 2678 2651 2914 \r\nQ 2772 3150 2772 3378 \r\nQ 2772 3750 2511 3984 \r\nQ 2250 4219 1831 4219 \r\nQ 1534 4219 1204 4116 \r\nQ 875 4013 500 3803 \r\nL 500 4441 \r\nQ 881 4594 1212 4672 \r\nQ 1544 4750 1819 4750 \r\nQ 2544 4750 2975 4387 \r\nQ 3406 4025 3406 3419 \r\nQ 3406 3131 3298 2873 \r\nQ 3191 2616 2906 2266 \r\nQ 2828 2175 2409 1742 \r\nQ 1991 1309 1228 531 \r\nz\r\n\" id=\"DejaVuSans-32\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 2034 4250 \r\nQ 1547 4250 1301 3770 \r\nQ 1056 3291 1056 2328 \r\nQ 1056 1369 1301 889 \r\nQ 1547 409 2034 409 \r\nQ 2525 409 2770 889 \r\nQ 3016 1369 3016 2328 \r\nQ 3016 3291 2770 3770 \r\nQ 2525 4250 2034 4250 \r\nz\r\nM 2034 4750 \r\nQ 2819 4750 3233 4129 \r\nQ 3647 3509 3647 2328 \r\nQ 3647 1150 3233 529 \r\nQ 2819 -91 2034 -91 \r\nQ 1250 -91 836 529 \r\nQ 422 1150 422 2328 \r\nQ 422 3509 836 4129 \r\nQ 1250 4750 2034 4750 \r\nz\r\n\" id=\"DejaVuSans-30\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_2\">\r\n     <g id=\"line2d_2\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"132.639423\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_2\">\r\n      <!-- 5/1/20 -->\r\n      <g transform=\"translate(116.545673 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 691 4666 \r\nL 3169 4666 \r\nL 3169 4134 \r\nL 1269 4134 \r\nL 1269 2991 \r\nQ 1406 3038 1543 3061 \r\nQ 1681 3084 1819 3084 \r\nQ 2600 3084 3056 2656 \r\nQ 3513 2228 3513 1497 \r\nQ 3513 744 3044 326 \r\nQ 2575 -91 1722 -91 \r\nQ 1428 -91 1123 -41 \r\nQ 819 9 494 109 \r\nL 494 744 \r\nQ 775 591 1075 516 \r\nQ 1375 441 1709 441 \r\nQ 2250 441 2565 725 \r\nQ 2881 1009 2881 1497 \r\nQ 2881 1984 2565 2268 \r\nQ 2250 2553 1709 2553 \r\nQ 1456 2553 1204 2497 \r\nQ 953 2441 691 2322 \r\nL 691 4666 \r\nz\r\n\" id=\"DejaVuSans-35\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_3\">\r\n     <g id=\"line2d_3\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"219.35271\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_3\">\r\n      <!-- 8/9/20 -->\r\n      <g transform=\"translate(203.25896 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2034 2216 \r\nQ 1584 2216 1326 1975 \r\nQ 1069 1734 1069 1313 \r\nQ 1069 891 1326 650 \r\nQ 1584 409 2034 409 \r\nQ 2484 409 2743 651 \r\nQ 3003 894 3003 1313 \r\nQ 3003 1734 2745 1975 \r\nQ 2488 2216 2034 2216 \r\nz\r\nM 1403 2484 \r\nQ 997 2584 770 2862 \r\nQ 544 3141 544 3541 \r\nQ 544 4100 942 4425 \r\nQ 1341 4750 2034 4750 \r\nQ 2731 4750 3128 4425 \r\nQ 3525 4100 3525 3541 \r\nQ 3525 3141 3298 2862 \r\nQ 3072 2584 2669 2484 \r\nQ 3125 2378 3379 2068 \r\nQ 3634 1759 3634 1313 \r\nQ 3634 634 3220 271 \r\nQ 2806 -91 2034 -91 \r\nQ 1263 -91 848 271 \r\nQ 434 634 434 1313 \r\nQ 434 1759 690 2068 \r\nQ 947 2378 1403 2484 \r\nz\r\nM 1172 3481 \r\nQ 1172 3119 1398 2916 \r\nQ 1625 2713 2034 2713 \r\nQ 2441 2713 2670 2916 \r\nQ 2900 3119 2900 3481 \r\nQ 2900 3844 2670 4047 \r\nQ 2441 4250 2034 4250 \r\nQ 1625 4250 1398 4047 \r\nQ 1172 3844 1172 3481 \r\nz\r\n\" id=\"DejaVuSans-38\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 703 97 \r\nL 703 672 \r\nQ 941 559 1184 500 \r\nQ 1428 441 1663 441 \r\nQ 2288 441 2617 861 \r\nQ 2947 1281 2994 2138 \r\nQ 2813 1869 2534 1725 \r\nQ 2256 1581 1919 1581 \r\nQ 1219 1581 811 2004 \r\nQ 403 2428 403 3163 \r\nQ 403 3881 828 4315 \r\nQ 1253 4750 1959 4750 \r\nQ 2769 4750 3195 4129 \r\nQ 3622 3509 3622 2328 \r\nQ 3622 1225 3098 567 \r\nQ 2575 -91 1691 -91 \r\nQ 1453 -91 1209 -44 \r\nQ 966 3 703 97 \r\nz\r\nM 1959 2075 \r\nQ 2384 2075 2632 2365 \r\nQ 2881 2656 2881 3163 \r\nQ 2881 3666 2632 3958 \r\nQ 2384 4250 1959 4250 \r\nQ 1534 4250 1286 3958 \r\nQ 1038 3666 1038 3163 \r\nQ 1038 2656 1286 2365 \r\nQ 1534 2075 1959 2075 \r\nz\r\n\" id=\"DejaVuSans-39\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-38\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-39\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_4\">\r\n     <g id=\"line2d_4\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"306.065997\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_4\">\r\n      <!-- 11/17/20 -->\r\n      <g transform=\"translate(283.609747 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 525 4666 \r\nL 3525 4666 \r\nL 3525 4397 \r\nL 1831 0 \r\nL 1172 0 \r\nL 2766 4134 \r\nL 525 4134 \r\nL 525 4666 \r\nz\r\n\" id=\"DejaVuSans-37\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"127.246094\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-37\"/>\r\n       <use x=\"288.183594\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"385.498047\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_5\">\r\n     <g id=\"line2d_5\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"392.779283\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_5\">\r\n      <!-- 2/25/21 -->\r\n      <g transform=\"translate(373.504283 198.716875)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_6\">\r\n     <g id=\"line2d_6\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"479.49257\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_6\">\r\n      <!-- 6/5/21 -->\r\n      <g transform=\"translate(463.39882 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2113 2584 \r\nQ 1688 2584 1439 2293 \r\nQ 1191 2003 1191 1497 \r\nQ 1191 994 1439 701 \r\nQ 1688 409 2113 409 \r\nQ 2538 409 2786 701 \r\nQ 3034 994 3034 1497 \r\nQ 3034 2003 2786 2293 \r\nQ 2538 2584 2113 2584 \r\nz\r\nM 3366 4563 \r\nL 3366 3988 \r\nQ 3128 4100 2886 4159 \r\nQ 2644 4219 2406 4219 \r\nQ 1781 4219 1451 3797 \r\nQ 1122 3375 1075 2522 \r\nQ 1259 2794 1537 2939 \r\nQ 1816 3084 2150 3084 \r\nQ 2853 3084 3261 2657 \r\nQ 3669 2231 3669 1497 \r\nQ 3669 778 3244 343 \r\nQ 2819 -91 2113 -91 \r\nQ 1303 -91 875 529 \r\nQ 447 1150 447 2328 \r\nQ 447 3434 972 4092 \r\nQ 1497 4750 2381 4750 \r\nQ 2619 4750 2861 4703 \r\nQ 3103 4656 3366 4563 \r\nz\r\n\" id=\"DejaVuSans-36\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-36\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_7\">\r\n     <g id=\"line2d_7\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"566.205857\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n   </g>\r\n   <g id=\"matplotlib.axis_2\">\r\n    <g id=\"ytick_1\">\r\n     <g id=\"line2d_8\">\r\n      <defs>\r\n       <path d=\"M 0 0 \r\nL -3.5 0 \r\n\" id=\"m723de82b4e\" style=\"stroke:#000000;stroke-width:0.8;\"/>\r\n      </defs>\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"176.558437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_7\">\r\n      <!-- 0 -->\r\n      <g transform=\"translate(7.2 180.357656)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_2\">\r\n     <g id=\"line2d_9\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"137.586097\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_8\">\r\n      <!-- 1 -->\r\n      <g transform=\"translate(7.2 141.385316)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_3\">\r\n     <g id=\"line2d_10\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"98.613756\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_9\">\r\n      <!-- 2 -->\r\n      <g transform=\"translate(7.2 102.412975)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-32\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_4\">\r\n     <g id=\"line2d_11\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"59.641416\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_10\">\r\n      <!-- 3 -->\r\n      <g transform=\"translate(7.2 63.440634)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2597 2516 \r\nQ 3050 2419 3304 2112 \r\nQ 3559 1806 3559 1356 \r\nQ 3559 666 3084 287 \r\nQ 2609 -91 1734 -91 \r\nQ 1441 -91 1130 -33 \r\nQ 819 25 488 141 \r\nL 488 750 \r\nQ 750 597 1062 519 \r\nQ 1375 441 1716 441 \r\nQ 2309 441 2620 675 \r\nQ 2931 909 2931 1356 \r\nQ 2931 1769 2642 2001 \r\nQ 2353 2234 1838 2234 \r\nL 1294 2234 \r\nL 1294 2753 \r\nL 1863 2753 \r\nQ 2328 2753 2575 2939 \r\nQ 2822 3125 2822 3475 \r\nQ 2822 3834 2567 4026 \r\nQ 2313 4219 1838 4219 \r\nQ 1578 4219 1281 4162 \r\nQ 984 4106 628 3988 \r\nL 628 4550 \r\nQ 988 4650 1302 4700 \r\nQ 1616 4750 1894 4750 \r\nQ 2613 4750 3031 4423 \r\nQ 3450 4097 3450 3541 \r\nQ 3450 3153 3228 2886 \r\nQ 3006 2619 2597 2516 \r\nz\r\n\" id=\"DejaVuSans-33\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-33\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_5\">\r\n     <g id=\"line2d_12\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"20.669075\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_11\">\r\n      <!-- 4 -->\r\n      <g transform=\"translate(7.2 24.468294)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2419 4116 \r\nL 825 1625 \r\nL 2419 1625 \r\nL 2419 4116 \r\nz\r\nM 2253 4666 \r\nL 3047 4666 \r\nL 3047 1625 \r\nL 3713 1625 \r\nL 3713 1100 \r\nL 3047 1100 \r\nL 3047 0 \r\nL 2419 0 \r\nL 2419 1100 \r\nL 313 1100 \r\nL 313 1709 \r\nL 2253 4666 \r\nz\r\n\" id=\"DejaVuSans-34\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-34\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"text_12\">\r\n     <!-- 1e7 -->\r\n     <g transform=\"translate(20.5625 14.798437)scale(0.1 -0.1)\">\r\n      <defs>\r\n       <path d=\"M 3597 1894 \r\nL 3597 1613 \r\nL 953 1613 \r\nQ 991 1019 1311 708 \r\nQ 1631 397 2203 397 \r\nQ 2534 397 2845 478 \r\nQ 3156 559 3463 722 \r\nL 3463 178 \r\nQ 3153 47 2828 -22 \r\nQ 2503 -91 2169 -91 \r\nQ 1331 -91 842 396 \r\nQ 353 884 353 1716 \r\nQ 353 2575 817 3079 \r\nQ 1281 3584 2069 3584 \r\nQ 2775 3584 3186 3129 \r\nQ 3597 2675 3597 1894 \r\nz\r\nM 3022 2063 \r\nQ 3016 2534 2758 2815 \r\nQ 2500 3097 2075 3097 \r\nQ 1594 3097 1305 2825 \r\nQ 1016 2553 972 2059 \r\nL 3022 2063 \r\nz\r\n\" id=\"DejaVuSans-65\" transform=\"scale(0.015625)\"/>\r\n      </defs>\r\n      <use xlink:href=\"#DejaVuSans-31\"/>\r\n      <use x=\"63.623047\" xlink:href=\"#DejaVuSans-65\"/>\r\n      <use x=\"125.146484\" xlink:href=\"#DejaVuSans-37\"/>\r\n     </g>\r\n    </g>\r\n   </g>\r\n   <g id=\"line2d_13\">\r\n    <path clip-path=\"url(#pd3db0eddf7)\" d=\"M 45.926136 176.558434 \r\nL 97.086976 176.457012 \r\nL 102.289773 176.147735 \r\nL 106.625437 175.683169 \r\nL 121.366696 173.660357 \r\nL 131.77229 172.345118 \r\nL 134.373689 172.007711 \r\nL 153.450612 170.045512 \r\nL 169.059003 168.57378 \r\nL 178.597465 167.398975 \r\nL 182.933129 166.602899 \r\nL 185.534528 166.059082 \r\nL 189.003059 165.262383 \r\nL 190.737325 164.857978 \r\nL 197.674388 162.893005 \r\nL 200.275787 162.072099 \r\nL 204.611451 160.801414 \r\nL 207.21285 160.048904 \r\nL 209.814248 159.288679 \r\nL 212.415647 158.538933 \r\nL 215.884178 157.742693 \r\nL 219.35271 156.890933 \r\nL 222.821241 156.099931 \r\nL 224.555507 155.662322 \r\nL 229.758304 154.64475 \r\nL 239.296766 152.906935 \r\nL 245.366696 151.890279 \r\nL 250.569493 151.002606 \r\nL 255.77229 150.014333 \r\nL 258.373689 149.504525 \r\nL 263.576486 148.513727 \r\nL 266.177885 147.967946 \r\nL 277.450612 145.416755 \r\nL 279.184878 144.92607 \r\nL 280.919143 144.469766 \r\nL 283.520542 143.684212 \r\nL 286.121941 142.799914 \r\nL 288.723339 141.928594 \r\nL 293.059003 140.096317 \r\nL 298.261801 137.244247 \r\nL 299.996066 136.227311 \r\nL 301.730332 135.013322 \r\nL 303.464598 133.655822 \r\nL 305.198864 132.490627 \r\nL 306.933129 131.176445 \r\nL 309.534528 128.957831 \r\nL 311.268794 127.706679 \r\nL 313.003059 126.307778 \r\nL 313.870192 125.869238 \r\nL 314.737325 125.058874 \r\nL 318.205857 122.546526 \r\nL 319.940122 120.885077 \r\nL 321.674388 119.137343 \r\nL 323.408654 117.6733 \r\nL 328.611451 112.511862 \r\nL 330.345717 110.940084 \r\nL 332.947115 108.06246 \r\nL 336.415647 105.034594 \r\nL 338.149913 103.383028 \r\nL 339.017045 103.001566 \r\nL 339.884178 102.11917 \r\nL 341.618444 100.833095 \r\nL 343.35271 99.14127 \r\nL 344.219843 98.223082 \r\nL 345.086976 97.623235 \r\nL 345.954108 96.452265 \r\nL 348.555507 94.005191 \r\nL 350.289773 91.92417 \r\nL 352.024038 89.756434 \r\nL 355.49257 86.30603 \r\nL 358.093969 83.654336 \r\nL 364.163899 78.83587 \r\nL 365.898164 77.73344 \r\nL 368.499563 75.900216 \r\nL 370.233829 74.69569 \r\nL 372.835227 73.283216 \r\nL 376.303759 71.395805 \r\nL 380.639423 69.538917 \r\nL 382.373689 68.810567 \r\nL 392.779283 65.650791 \r\nL 394.513549 65.097481 \r\nL 397.98208 64.186273 \r\nL 400.583479 63.435147 \r\nL 403.184878 62.875282 \r\nL 412.723339 60.456807 \r\nL 414.457605 60.124536 \r\nL 415.324738 59.915302 \r\nL 417.926136 59.011685 \r\nL 429.198864 55.722712 \r\nL 430.933129 55.140477 \r\nL 432.667395 54.686122 \r\nL 437.003059 53.282026 \r\nL 438.737325 52.852449 \r\nL 443.940122 51.530738 \r\nL 447.408654 50.705284 \r\nL 449.14292 50.302661 \r\nL 450.877185 49.991295 \r\nL 460.415647 48.343396 \r\nL 467.35271 47.527343 \r\nL 469.954108 47.287967 \r\nL 474.289773 46.929351 \r\nL 476.891171 46.751513 \r\nL 481.226836 46.475873 \r\nL 508.107955 44.86893 \r\nL 508.975087 44.680924 \r\nL 511.576486 44.485224 \r\nL 514.177885 44.147408 \r\nL 515.045017 43.838319 \r\nL 516.779283 43.740857 \r\nL 520.247815 42.947037 \r\nL 521.114948 42.48265 \r\nL 522.849213 42.322805 \r\nL 524.583479 41.698866 \r\nL 526.317745 41.126202 \r\nL 527.184878 40.367769 \r\nL 528.919143 40.141928 \r\nL 530.653409 39.227898 \r\nL 532.387675 38.43856 \r\nL 533.254808 37.44484 \r\nL 534.989073 37.178596 \r\nL 535.856206 36.459935 \r\nL 537.590472 35.516839 \r\nL 538.457605 35.062636 \r\nL 539.324738 33.929164 \r\nL 541.059003 33.612752 \r\nL 541.926136 32.793557 \r\nL 544.527535 31.214441 \r\nL 545.394668 29.969446 \r\nL 547.128934 29.594482 \r\nL 547.996066 28.698776 \r\nL 549.730332 27.594347 \r\nL 550.597465 26.965602 \r\nL 551.464598 25.707053 \r\nL 553.198864 25.358437 \r\nL 553.198864 25.358437 \r\n\" style=\"fill:none;stroke:#1f77b4;stroke-linecap:square;stroke-width:1.5;\"/>\r\n   </g>\r\n   <g id=\"line2d_14\">\r\n    <path clip-path=\"url(#pd3db0eddf7)\" d=\"M 45.926136 176.558437 \r\nL 113.5625 176.459409 \r\nL 130.905157 176.087963 \r\nL 132.639423 175.919233 \r\nL 136.107955 175.818778 \r\nL 140.443619 175.715976 \r\nL 143.045017 175.609734 \r\nL 148.247815 175.430609 \r\nL 149.98208 175.395433 \r\nL 150.849213 175.193879 \r\nL 167.324738 174.479248 \r\nL 180.331731 173.972381 \r\nL 185.534528 173.71348 \r\nL 186.401661 173.510917 \r\nL 187.268794 173.478048 \r\nL 188.135927 173.073044 \r\nL 195.940122 172.53673 \r\nL 203.744318 171.839476 \r\nL 213.28278 170.834613 \r\nL 214.149913 170.660184 \r\nL 215.017045 170.599648 \r\nL 216.751311 170.328226 \r\nL 219.35271 170.101251 \r\nL 220.219843 170.047114 \r\nL 222.821241 169.642219 \r\nL 240.163899 167.860758 \r\nL 241.898164 167.659283 \r\nL 257.506556 166.242619 \r\nL 287.856206 162.966187 \r\nL 298.261801 161.431359 \r\nL 303.464598 160.39098 \r\nL 304.331731 160.287937 \r\nL 306.065997 159.825117 \r\nL 309.534528 158.905136 \r\nL 310.401661 158.917557 \r\nL 311.268794 158.500214 \r\nL 312.135927 158.254439 \r\nL 313.003059 157.711585 \r\nL 313.870192 157.574219 \r\nL 315.604458 156.982385 \r\nL 316.471591 156.81883 \r\nL 326.010052 153.233308 \r\nL 326.877185 152.647683 \r\nL 327.744318 152.213956 \r\nL 328.611451 152.013338 \r\nL 329.478584 176.558437 \r\nL 553.198864 176.558437 \r\nL 553.198864 176.558437 \r\n\" style=\"fill:none;stroke:#ff7f0e;stroke-linecap:square;stroke-width:1.5;\"/>\r\n   </g>\r\n   <g id=\"patch_3\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 20.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_4\">\r\n    <path d=\"M 578.5625 184.118437 \r\nL 578.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_5\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 578.5625 184.118437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_6\">\r\n    <path d=\"M 20.5625 17.798437 \r\nL 578.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n  </g>\r\n </g>\r\n <defs>\r\n  <clipPath id=\"pd3db0eddf7\">\r\n   <rect height=\"166.32\" width=\"558\" x=\"20.5625\" y=\"17.798437\"/>\r\n  </clipPath>\r\n </defs>\r\n</svg>\r\n",
+      "image/png": "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",
       "text/plain": [
-       "<Figure size 1000x300 with 1 Axes>"
+       "<Figure size 640x480 with 1 Axes>"
       ]
      },
-     "metadata": {},
-     "output_type": "display_data"
+     "metadata": {}
     }
    ],
    "source": [
-    "infected.loc['US'][2:].plot()\n",
-    "recovered.loc['US'][2:].plot()\n",
+    "infected.loc['US'][3:].plot()\n",
+    "recovered.loc['US'][3:].plot()\n",
     "plt.show()"
    ]
   },
@@ -1604,7 +1607,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "> **Hinweis** wie wir `[2:]` verwenden, um die ersten zwei Elemente einer Sequenz zu entfernen, die die Geolokation eines Landes enthalten. Wir können diese beiden Spalten auch vollständig weglassen:\n"
+    "> **Hinweis** wie wir `[3:]` verwenden, um die ersten drei Elemente einer Sequenz zu entfernen, die Nicht-Datum-Metadaten enthalten (die Spalten Provinz/Bundesland und Geolokalisierung). Wir können diese drei Spalten auch ganz entfernen:\n"
    ]
   },
   {
@@ -1613,9 +1616,9 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "infected.drop(columns=['Lat','Long'],inplace=True)\n",
-    "recovered.drop(columns=['Lat','Long'],inplace=True)\n",
-    "deaths.drop(columns=['Lat','Long'],inplace=True)"
+    "infected.drop(columns=['Lat','Long','Province/State'],inplace=True)\n",
+    "recovered.drop(columns=['Lat','Long','Province/State'],inplace=True)\n",
+    "deaths.drop(columns=['Lat','Long','Province/State'],inplace=True)"
    ]
   },
   {
@@ -1624,7 +1627,7 @@
    "source": [
     "## Untersuchung der Daten\n",
     "\n",
-    "Lassen Sie uns nun zu der Untersuchung eines bestimmten Landes übergehen. Erstellen wir einen Frame, der die Daten zu Infektionen enthält, die nach Datum indexiert sind:\n"
+    "Lassen Sie uns nun zu einer Untersuchung eines bestimmten Landes übergehen. Erstellen wir einen Frame, der die Daten zu Infektionen nach Datum indexiert enthält:\n"
    ]
   },
   {
@@ -1754,7 +1757,7 @@
    ],
    "source": [
     "def mkframe(country):\n",
-    "    df = pd.DataFrame({ 'infected' : infected.loc[country] ,\n",
+    "    df = pd.DataFrame({ 'infected' : infected.loc[country],\n",
     "                        'recovered' : recovered.loc[country],\n",
     "                        'deaths' : deaths.loc[country]})\n",
     "    df.index = pd.to_datetime(df.index)\n",
@@ -1790,7 +1793,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Lassen Sie uns nun die Anzahl der neu infizierten Personen pro Tag berechnen. Dies ermöglicht es uns, die Geschwindigkeit zu sehen, mit der sich die Pandemie ausbreitet. Der einfachste Weg, dies zu tun, ist die Verwendung von `diff`:\n"
+    "Berechnen wir nun die Anzahl der täglich neu infizierten Personen. Dadurch können wir die Geschwindigkeit des Fortschreitens der Pandemie sehen. Der einfachste Weg, dies zu tun, ist die Verwendung von `diff`:\n"
    ]
   },
   {
@@ -1820,7 +1823,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Wir können hohe Schwankungen in den Daten sehen. Lassen Sie uns einen der Monate genauer betrachten:\n"
+    "Wir können hohe Schwankungen in den Daten sehen. Schauen wir uns einen der Monate genauer an:\n"
    ]
   },
   {
@@ -1849,7 +1852,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Es sieht eindeutig so aus, als gäbe es wöchentliche Schwankungen in den Daten. Da wir die Trends erkennen möchten, ist es sinnvoll, die Kurve zu glätten, indem wir den gleitenden Durchschnitt berechnen (d.h. für jeden Tag berechnen wir den Durchschnittswert der vorhergehenden Tage):\n"
+    "Es sieht eindeutig so aus, als gäbe es wöchentliche Schwankungen in den Daten. Da wir die Trends erkennen wollen, macht es Sinn, die Kurve durch die Berechnung eines gleitenden Durchschnitts zu glätten (d.h. für jeden Tag berechnen wir den Durchschnittswert der vorhergehenden Tage):\n"
    ]
   },
   {
@@ -1879,7 +1882,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Um mehrere Länder vergleichen zu können, möchten wir möglicherweise die Bevölkerung des Landes berücksichtigen und den Prozentsatz der infizierten Personen im Verhältnis zur Bevölkerung des Landes vergleichen. Um die Bevölkerung des Landes zu erhalten, laden wir den Datensatz der Länder:\n"
+    "Um mehrere Länder vergleichen zu können, möchten wir möglicherweise die Bevölkerungszahl des Landes berücksichtigen und den Prozentsatz der infizierten Personen im Verhältnis zur Bevölkerungszahl des Landes vergleichen. Um die Bevölkerungszahl eines Landes zu erhalten, laden wir den Datensatz der Länder:\n"
    ]
   },
   {
@@ -2150,7 +2153,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Da dieses Dataset Informationen über sowohl Länder als auch Provinzen enthält, müssen wir ein wenig schlau sein, um die Gesamtbevölkerung des gesamten Landes zu erhalten:\n"
+    "Da dieses Datenset Informationen sowohl zu Ländern als auch zu Provinzen enthält, müssen wir etwas schlauer vorgehen, um die Bevölkerung des gesamten Landes zu ermitteln:\n"
    ]
   },
   {
@@ -2260,12 +2263,12 @@
    "source": [
     "## Berechnung von $R_t$\n",
     "\n",
-    "Um zu beurteilen, wie ansteckend die Krankheit ist, betrachten wir die **Basisreproduktionszahl** $R_0$, die angibt, wie viele Personen eine infizierte Person im Durchschnitt weiter ansteckt. Wenn $R_0$ größer als 1 ist, breitet sich die Epidemie wahrscheinlich aus.\n",
+    "Um zu sehen, wie ansteckend die Krankheit ist, betrachten wir die **Basisreproduktionszahl** $R_0$, die angibt, wie viele Personen eine infizierte Person weiter anstecken würde. Wenn $R_0$ größer als 1 ist, wird sich die Epidemie wahrscheinlich ausbreiten.\n",
     "\n",
-    "$R_0$ ist eine Eigenschaft der Krankheit selbst und berücksichtigt keine Schutzmaßnahmen, die Menschen ergreifen könnten, um die Pandemie zu verlangsamen. Während des Verlaufs der Pandemie können wir die Reproduktionszahl $R_t$ zu einem beliebigen Zeitpunkt $t$ schätzen. Es wurde gezeigt, dass diese Zahl grob geschätzt werden kann, indem man ein Zeitfenster von 8 Tagen betrachtet und berechnet: $$R_t=\\frac{I_{t-7}+I_{t-6}+I_{t-5}+I_{t-4}}{I_{t-3}+I_{t-2}+I_{t-1}+I_t}$$\n",
+    "$R_0$ ist eine Eigenschaft der Krankheit selbst und berücksichtigt nicht einige Schutzmaßnahmen, die Menschen ergreifen können, um die Pandemie zu verlangsamen. Im Verlauf der Pandemie können wir die Reproduktionszahl $R_t$ zu einem beliebigen Zeitpunkt $t$ schätzen. Es wurde gezeigt, dass diese Zahl grob geschätzt werden kann, indem man ein Fenster von 8 Tagen nimmt und berechnet $$R_t=\\frac{I_{t-7}+I_{t-6}+I_{t-5}+I_{t-4}}{I_{t-3}+I_{t-2}+I_{t-1}+I_t}$$\n",
     "wobei $I_t$ die Anzahl der neu infizierten Personen am Tag $t$ ist.\n",
     "\n",
-    "Lassen Sie uns $R_t$ für unsere Pandemiedaten berechnen. Dazu nehmen wir ein gleitendes Fenster von 8 `ninfected`-Werten und wenden die Funktion an, um das oben genannte Verhältnis zu berechnen:\n"
+    "Berechnen wir $R_t$ für unsere Pandemiedaten. Dazu nehmen wir ein gleitendes Fenster von 8 `ninfected`-Werten und wenden die Funktion an, um das obige Verhältnis zu berechnen:\n"
    ]
   },
   {
@@ -2295,9 +2298,9 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Du kannst sehen, dass es einige Lücken im Diagramm gibt. Diese können entweder durch `NaN` oder durch `inf`-Werte im Datensatz verursacht werden. `inf` kann durch eine Division durch 0 entstehen, und `NaN` kann auf fehlende Daten hinweisen oder darauf, dass keine Daten verfügbar sind, um das Ergebnis zu berechnen (wie ganz am Anfang unseres Frames, wo das Rollfenster mit einer Breite von 8 noch nicht verfügbar ist). Um das Diagramm ansprechender zu gestalten, müssen wir diese Werte mit den Funktionen `replace` und `fillna` auffüllen.\n",
+    "Sie können sehen, dass es einige Lücken im Diagramm gibt. Diese können entweder durch `NaN` verursacht werden, wenn `inf`-Werte im Datensatz vorhanden sind. `inf` kann durch Division durch 0 entstehen und `NaN` kann fehlende Daten anzeigen oder keine verfügbaren Daten, um das Ergebnis zu berechnen (wie am Anfang unseres Frames, wo das gleitende Fenster mit der Breite 8 noch nicht verfügbar ist). Um das Diagramm ansprechender zu machen, müssen wir diese Werte mit den Funktionen `replace` und `fillna` auffüllen.\n",
     "\n",
-    "Schauen wir uns nun den Beginn der Pandemie genauer an. Wir werden außerdem die Werte der y-Achse auf unter 6 begrenzen, um eine bessere Sichtbarkeit zu gewährleisten, und eine horizontale Linie bei 1 zeichnen.\n"
+    "Werfen wir einen genaueren Blick auf den Beginn der Pandemie. Wir werden auch die Werte der y-Achse beschränken, um nur Werte unter 6 anzuzeigen, um eine bessere Übersicht zu erhalten, und eine horizontale Linie bei 1 zeichnen.\n"
    ]
   },
   {
@@ -2327,7 +2330,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "Ein weiterer interessanter Indikator für die Pandemie ist die **Ableitung** oder **tägliche Differenz** der neuen Fälle. Sie ermöglicht es uns, klar zu erkennen, wann die Pandemie zunimmt oder abnimmt.\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -2355,7 +2360,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Angesichts der Tatsache, dass es aufgrund von Berichterstattung viele Schwankungen in den Daten gibt, ist es sinnvoll, die Kurve durch einen gleitenden Durchschnitt zu glätten, um das Gesamtbild zu erhalten. Konzentrieren wir uns erneut auf die ersten Monate der Pandemie:\n"
+    "Angesichts der Tatsache, dass es aufgrund von Meldungen viele Schwankungen in den Daten gibt, macht es Sinn, die Kurve durch die Berechnung eines gleitenden Durchschnitts zu glätten, um das Gesamtbild zu erhalten. Konzentrieren wir uns noch einmal auf die ersten Monate der Pandemie:\n"
    ]
   },
   {
@@ -2387,12 +2392,12 @@
    "source": [
     "## Herausforderung\n",
     "\n",
-    "Jetzt ist es an der Zeit, mehr mit dem Code und den Daten zu experimentieren! Hier sind einige Vorschläge, die Sie ausprobieren können:\n",
-    "* Untersuchen Sie die Ausbreitung der Pandemie in verschiedenen Ländern.\n",
-    "* Zeichnen Sie $R_t$-Grafiken für mehrere Länder in einem Diagramm zum Vergleich oder erstellen Sie mehrere Diagramme nebeneinander.\n",
-    "* Analysieren Sie, wie die Anzahl der Todesfälle und Genesungen mit der Anzahl der Infektionsfälle korreliert.\n",
-    "* Versuchen Sie herauszufinden, wie lange eine typische Krankheit dauert, indem Sie die Infektionsrate und die Sterberate visuell korrelieren und nach Anomalien suchen. Möglicherweise müssen Sie verschiedene Länder betrachten, um dies herauszufinden.\n",
-    "* Berechnen Sie die Sterblichkeitsrate und wie sie sich im Laufe der Zeit verändert. Sie sollten dabei die Dauer der Krankheit in Tagen berücksichtigen, um eine Zeitreihe zu verschieben, bevor Sie Berechnungen durchführen.\n"
+    "Jetzt ist es an der Zeit, dass du mehr mit dem Code und den Daten spielst! Hier sind einige Vorschläge, mit denen du experimentieren kannst:\n",
+    "* Sieh dir die Verbreitung der Pandemie in verschiedenen Ländern an.\n",
+    "* Erstelle $R_t$-Grafiken für mehrere Länder in einem Diagramm zum Vergleich oder mache mehrere Diagramme nebeneinander.\n",
+    "* Sieh dir an, wie die Anzahl der Todesfälle und Genesungen mit der Anzahl der Infizierten korreliert.\n",
+    "* Versuche herauszufinden, wie lange eine typische Krankheit dauert, indem du Infektionsrate und Sterberate visuell korrelierst und nach einigen Anomalien suchst. Möglicherweise musst du verschiedene Länder betrachten, um das herauszufinden.\n",
+    "* Berechne die Sterblichkeitsrate und wie sie sich im Laufe der Zeit verändert. Du solltest eventuell die Dauer der Krankheit in Tagen berücksichtigen, um eine Zeitreihe vor den Berechnungen zu verschieben.\n"
    ]
   },
   {
@@ -2402,9 +2407,9 @@
     "## Referenzen\n",
     "\n",
     "Sie können weitere Studien zur Ausbreitung der COVID-Epidemie in den folgenden Veröffentlichungen einsehen:\n",
-    "* [Sliding SIR Model für Rt-Schätzung während der COVID-Pandemie](https://soshnikov.com/science/sliding-sir-model-for-rt-estimation/), Blogbeitrag von [Dmitry Soshnikov](http://soshnikov.com)\n",
-    "* T.Petrova, D.Soshnikov, A.Grunin. [Schätzung der zeitabhängigen Reproduktionszahl für den globalen COVID-19-Ausbruch](https://www.preprints.org/manuscript/202006.0289/v1). *Preprints* **2020**, 2020060289 (doi: 10.20944/preprints202006.0289.v1)\n",
-    "* [Code für das oben genannte Papier auf GitHub](https://github.com/shwars/SlidingSIR)\n"
+    "* [Sliding SIR Model for Rt Estimation during COVID Pandemic](https://soshnikov.com/science/sliding-sir-model-for-rt-estimation/), Blogbeitrag von [Dmitry Soshnikov](http://soshnikov.com)\n",
+    "* T.Petrova, D.Soshnikov, A.Grunin. [Estimation of Time-Dependent Reproduction Number for Global COVID-19 Outbreak](https://www.preprints.org/manuscript/202006.0289/v1). *Preprints* **2020**, 2020060289 (doi: 10.20944/preprints202006.0289.v1)\n",
+    "* [Code für die oben genannte Arbeit auf GitHub](https://github.com/shwars/SlidingSIR)\n"
    ]
   },
   {
@@ -2418,7 +2423,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**Haftungsausschluss**:  \nDieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Haftungsausschluss**:  \nDieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir Genauigkeit anstreben, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -2442,13 +2447,7 @@
    "pygments_lexer": "ipython3",
    "version": "3.8.8"
   },
-  "orig_nbformat": 4,
-  "coopTranslator": {
-   "original_hash": "68a0ada1dae45c7d1d3519aa0a6d1a0f",
-   "translation_date": "2025-09-01T20:47:18+00:00",
-   "source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
-   "language_code": "de"
-  }
+  "orig_nbformat": 4
  },
  "nbformat": 4,
  "nbformat_minor": 2
diff --git a/translations/de/2-Working-With-Data/README.md b/translations/de/2-Working-With-Data/README.md
index 2d0d9608..d0786790 100644
--- a/translations/de/2-Working-With-Data/README.md
+++ b/translations/de/2-Working-With-Data/README.md
@@ -1,6 +1,6 @@
 # Arbeiten mit Daten
 
-![data love](../../../translated_images/de/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.jpg)
+![data love](../../../translated_images/de/data-love.a22ef29e6742c852.webp)
 > Foto von <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> auf <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
   
 In diesen Lektionen lernst du einige der Möglichkeiten kennen, wie Daten verwaltet, manipuliert und in Anwendungen genutzt werden können. Du wirst etwas über relationale und nicht-relationale Datenbanken erfahren und wie Daten in ihnen gespeichert werden können. Du lernst die Grundlagen der Arbeit mit Python zur Datenverwaltung und entdeckst einige der vielen Möglichkeiten, wie du mit Python Daten verwalten und analysieren kannst.
diff --git a/translations/de/3-Data-Visualization/12-visualization-relationships/README.md b/translations/de/3-Data-Visualization/12-visualization-relationships/README.md
index 25e532a3..b7a5f2e7 100644
--- a/translations/de/3-Data-Visualization/12-visualization-relationships/README.md
+++ b/translations/de/3-Data-Visualization/12-visualization-relationships/README.md
@@ -42,7 +42,7 @@ Erstellen Sie ein einfaches Streudiagramm, um die Beziehung zwischen dem Preis p
 ```python
 sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
 ```
-![scatterplot 1](../../../../translated_images/de/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.png)
+![scatterplot 1](../../../../translated_images/de/scatter1.5e1aa5fd6706c5d1.webp)
 
 Zeigen Sie nun dieselben Daten mit einer honigfarbenen Farbpalette, um zu zeigen, wie sich der Preis im Laufe der Jahre entwickelt. Sie können dies tun, indem Sie einen 'hue'-Parameter hinzufügen, der die Veränderung Jahr für Jahr darstellt:
 
@@ -51,7 +51,7 @@ Zeigen Sie nun dieselben Daten mit einer honigfarbenen Farbpalette, um zu zeigen
 ```python
 sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
 ```
-![scatterplot 2](../../../../translated_images/de/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.png)
+![scatterplot 2](../../../../translated_images/de/scatter2.c0041a58621ca702.webp)
 
 Mit dieser Farbänderung können Sie deutlich sehen, dass es im Laufe der Jahre eine starke Entwicklung des Honigpreises pro Pfund gibt. Wenn Sie beispielsweise einen Bundesstaat wie Arizona auswählen, können Sie ein Muster von Preissteigerungen Jahr für Jahr mit wenigen Ausnahmen erkennen:
 
@@ -80,7 +80,7 @@ sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspec
 ```
 Sie können sehen, wie die Größe der Punkte allmählich zunimmt.
 
-![scatterplot 3](../../../../translated_images/de/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.png)
+![scatterplot 3](../../../../translated_images/de/scatter3.3c160a3d1dcb36b3.webp)
 
 Ist dies ein einfacher Fall von Angebot und Nachfrage? Aufgrund von Faktoren wie Klimawandel und dem Zusammenbruch von Bienenvölkern gibt es Jahr für Jahr weniger Honig zu kaufen, und daher steigen die Preise?
 
@@ -95,7 +95,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
 ```
 Antwort: Ja, mit einigen Ausnahmen um das Jahr 2003:
 
-![line chart 1](../../../../translated_images/de/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.png)
+![line chart 1](../../../../translated_images/de/line1.f36eb465229a3b1f.webp)
 
 ✅ Da Seaborn die Daten um eine Linie aggregiert, zeigt es "die mehrfachen Messungen bei jedem x-Wert, indem es den Mittelwert und das 95%-Konfidenzintervall um den Mittelwert herum darstellt". [Quelle](https://seaborn.pydata.org/tutorial/relational.html). Dieses zeitaufwändige Verhalten kann durch Hinzufügen von `ci=None` deaktiviert werden.
 
@@ -105,7 +105,7 @@ Frage: Nun, können wir im Jahr 2003 auch einen Anstieg des Honigangebots sehen?
 sns.relplot(x="year", y="totalprod", kind="line", data=honey);
 ```
 
-![line chart 2](../../../../translated_images/de/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.png)
+![line chart 2](../../../../translated_images/de/line2.a5b3493dc01058af.webp)
 
 Antwort: Nicht wirklich. Wenn Sie die Gesamtproduktion betrachten, scheint sie in diesem Jahr tatsächlich gestiegen zu sein, obwohl die Honigproduktion im Allgemeinen in diesen Jahren rückläufig ist.
 
@@ -130,7 +130,7 @@ sns.relplot(
 ```
 In dieser Visualisierung können Sie den Ertrag pro Volk und die Anzahl der Bienenvölker Jahr für Jahr nebeneinander vergleichen, mit einer Wrap-Einstellung von 3 für die Spalten:
 
-![facet grid](../../../../translated_images/de/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.png)
+![facet grid](../../../../translated_images/de/facet.6a34851dcd540050.webp)
 
 Für diesen Datensatz fällt nichts Besonderes in Bezug auf die Anzahl der Bienenvölker und deren Ertrag Jahr für Jahr und Bundesstaat für Bundesstaat auf. Gibt es eine andere Möglichkeit, eine Korrelation zwischen diesen beiden Variablen zu finden?
 
@@ -153,7 +153,7 @@ sns.despine(right=False)
 plt.ylabel('colony yield')
 ax.figure.legend();
 ```
-![superimposed plots](../../../../translated_images/de/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.png)
+![superimposed plots](../../../../translated_images/de/dual-line.a4c28ce659603fab.webp)
 
 Während nichts um das Jahr 2003 besonders auffällt, können wir diese Lektion mit einer etwas erfreulicheren Note abschließen: Obwohl die Anzahl der Bienenvölker insgesamt abnimmt, stabilisiert sich die Anzahl der Bienenvölker, auch wenn ihr Ertrag pro Volk sinkt.
 
diff --git a/translations/de/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/de/3-Data-Visualization/R/09-visualization-quantities/README.md
index eebb1c08..dd47a244 100644
--- a/translations/de/3-Data-Visualization/R/09-visualization-quantities/README.md
+++ b/translations/de/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -57,7 +57,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 ```  
 Hier installierst du das `ggplot2`-Paket und importierst es dann in den Arbeitsbereich mit dem Befehl `library("ggplot2")`. Um ein Diagramm in ggplot zu erstellen, wird die Funktion `ggplot()` verwendet, und du gibst den Datensatz sowie die x- und y-Variablen als Attribute an. In diesem Fall verwenden wir die Funktion `geom_line()`, da wir ein Liniendiagramm erstellen möchten.
 
-![MaxWingspan-lineplot](../../../../../translated_images/de/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.png)
+![MaxWingspan-lineplot](../../../../../translated_images/de/MaxWingspan-lineplot.b12169f99d26fdd2.webp)
 
 Was fällt dir sofort auf? Es scheint mindestens einen Ausreißer zu geben – das ist eine beeindruckende Flügelspannweite! Eine Flügelspannweite von über 2000 Zentimetern entspricht mehr als 20 Metern – gibt es Pterodaktylen in Minnesota? Lass uns das untersuchen.
 
@@ -75,7 +75,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 ```  
 Wir geben den Winkel im `theme` an und spezifizieren die x- und y-Achsenbeschriftungen in `xlab()` und `ylab()`. Der `ggtitle()` gibt dem Diagramm/Plot einen Namen.
 
-![MaxWingspan-lineplot-improved](../../../../../translated_images/de/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.png)
+![MaxWingspan-lineplot-improved](../../../../../translated_images/de/MaxWingspan-lineplot-improved.04b73b4d5a59552a.webp)
 
 Selbst mit der Drehung der Beschriftungen auf 45 Grad sind es zu viele, um sie zu lesen. Versuchen wir eine andere Strategie: Beschrifte nur die Ausreißer und setze die Beschriftungen direkt ins Diagramm. Du kannst ein Streudiagramm verwenden, um mehr Platz für die Beschriftungen zu schaffen:
 
@@ -91,7 +91,7 @@ Was passiert hier? Du hast die Funktion `geom_point()` verwendet, um Streupunkte
 
 Was entdeckst du?
 
-![MaxWingspan-scatterplot](../../../../../translated_images/de/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.png)
+![MaxWingspan-scatterplot](../../../../../translated_images/de/MaxWingspan-scatterplot.60dc9e0e19d32700.webp)
 
 ## Filtere deine Daten
 
@@ -110,7 +110,7 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
 ```  
 Wir haben einen neuen Dataframe `birds_filtered` erstellt und dann ein Streudiagramm geplottet. Durch das Herausfiltern von Ausreißern sind deine Daten jetzt kohärenter und verständlicher.
 
-![MaxWingspan-scatterplot-improved](../../../../../translated_images/de/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.png)
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/de/MaxWingspan-scatterplot-improved.7d0af81658c65f3e.webp)
 
 Jetzt, da wir einen bereinigten Datensatz zumindest in Bezug auf die Flügelspannweite haben, lass uns mehr über diese Vögel herausfinden.
 
@@ -151,7 +151,7 @@ birds_filtered %>% group_by(Category) %>%
 ```  
 Im folgenden Code-Snippet installieren wir die Pakete [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) und [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), um Daten zu manipulieren und zu gruppieren, um ein gestapeltes Balkendiagramm zu erstellen. Zuerst gruppierst du die Daten nach der `Category` der Vögel und fasst die Spalten `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` zusammen. Anschließend erstellst du das Balkendiagramm mit dem `ggplot2`-Paket und spezifizierst die Farben für die verschiedenen Kategorien und die Beschriftungen.
 
-![Stacked bar chart](../../../../../translated_images/de/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.png)
+![Stacked bar chart](../../../../../translated_images/de/stacked-bar-chart.0c92264e89da7b39.webp)
 
 Dieses Balkendiagramm ist jedoch unleserlich, da es zu viele nicht gruppierte Daten gibt. Du musst nur die Daten auswählen, die du plotten möchtest. Lass uns die Länge der Vögel basierend auf ihrer Kategorie betrachten.
 
@@ -166,7 +166,7 @@ ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
 ```  
 Du zählst zuerst die eindeutigen Werte in der Spalte `Category` und sortierst sie in einen neuen Dataframe `birds_count`. Diese sortierten Daten werden dann auf derselben Ebene fakturiert, sodass sie in der sortierten Weise geplottet werden. Mit `ggplot2` plottest du die Daten dann in einem Balkendiagramm. Die Funktion `coord_flip()` erstellt horizontale Balken.
 
-![category-length](../../../../../translated_images/de/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.png)
+![category-length](../../../../../translated_images/de/category-length.7e34c296690e85d6.webp)
 
 Dieses Balkendiagramm zeigt eine gute Ansicht der Anzahl der Vögel in jeder Kategorie. Auf einen Blick siehst du, dass die größte Anzahl von Vögeln in dieser Region in der Kategorie Enten/Gänse/Wasservögel liegt. Minnesota ist das 'Land der 10.000 Seen', daher ist das nicht überraschend!
 
@@ -189,7 +189,7 @@ ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_fl
 ```  
 Wir gruppieren die `birds_filtered`-Daten nach `Category` und erstellen ein Balkendiagramm.
 
-![comparing data](../../../../../translated_images/de/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.png)
+![comparing data](../../../../../translated_images/de/comparingdata.f486a450d61c7ca5.webp)
 
 Hier gibt es nichts Überraschendes: Kolibris haben die geringste MaxLänge im Vergleich zu Pelikanen oder Gänsen. Es ist gut, wenn Daten logisch Sinn ergeben!
 
@@ -201,7 +201,7 @@ ggplot(data=birds_grouped, aes(x=Category)) +
   geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
   coord_flip()
 ```  
-![super-imposed values](../../../../../translated_images/de/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.png)
+![super-imposed values](../../../../../translated_images/de/superimposed-values.5363f0705a1da416.webp)
 
 ## 🚀 Herausforderung
 
diff --git a/translations/de/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/de/3-Data-Visualization/R/10-visualization-distributions/README.md
index 9cff0525..1f609a6f 100644
--- a/translations/de/3-Data-Visualization/R/10-visualization-distributions/README.md
+++ b/translations/de/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -36,7 +36,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
   geom_point() +
   ggtitle("Max Length per order") + coord_flip()
 ```
-![max Länge pro Ordnung](../../../../../translated_images/de/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.png)
+![max Länge pro Ordnung](../../../../../translated_images/de/max-length-per-order.e5b283d952c78c12.webp)
 
 Dies gibt einen Überblick über die allgemeine Verteilung der Körperlänge pro Vogelordnung, ist jedoch nicht die optimale Methode, um echte Verteilungen darzustellen. Diese Aufgabe wird normalerweise durch die Erstellung eines Histogramms gelöst.
 
@@ -48,7 +48,7 @@ Dies gibt einen Überblick über die allgemeine Verteilung der Körperlänge pro
 ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
   geom_histogram(bins=10)+ylab('Frequency')
 ```
-![Verteilung über den gesamten Datensatz](../../../../../translated_images/de/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.png)
+![Verteilung über den gesamten Datensatz](../../../../../translated_images/de/distribution-over-the-entire-dataset.d22afd3fa96be854.webp)
 
 Wie du sehen kannst, fallen die meisten der über 400 Vögel in diesem Datensatz in den Bereich unter 2000 für ihre maximale Körpermasse. Erhalte mehr Einblicke in die Daten, indem du den `bins`-Parameter auf eine höhere Zahl, z. B. 30, änderst:
 
@@ -56,7 +56,7 @@ Wie du sehen kannst, fallen die meisten der über 400 Vögel in diesem Datensatz
 ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
 ```
 
-![Verteilung-30bins](../../../../../translated_images/de/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.png)
+![Verteilung-30bins](../../../../../translated_images/de/distribution-30bins.6a3921ea7a421bf7.webp)
 
 Dieses Diagramm zeigt die Verteilung etwas detaillierter. Ein weniger nach links verzerrtes Diagramm könnte erstellt werden, indem du sicherstellst, dass du nur Daten innerhalb eines bestimmten Bereichs auswählst:
 
@@ -68,7 +68,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
   geom_histogram(bins=30)+ylab('Frequency')
 ```
 
-![gefiltertes Histogramm](../../../../../translated_images/de/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.png)
+![gefiltertes Histogramm](../../../../../translated_images/de/filtered-histogram.6bf5d2bfd8253322.webp)
 
 ✅ Probiere einige andere Filter und Datenpunkte aus. Um die vollständige Verteilung der Daten zu sehen, entferne den `['MaxBodyMass']`-Filter, um beschriftete Verteilungen anzuzeigen.
 
@@ -82,7 +82,7 @@ ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
 ```
 Es scheint eine erwartete Korrelation zwischen diesen beiden Elementen entlang einer erwarteten Achse zu geben, mit einem besonders starken Konvergenzpunkt:
 
-![2D-Diagramm](../../../../../translated_images/de/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.png)
+![2D-Diagramm](../../../../../translated_images/de/2d-plot.c504786f439bd7eb.webp)
 
 Histogramme funktionieren standardmäßig gut für numerische Daten. Was ist, wenn du Verteilungen basierend auf Textdaten sehen möchtest?  
 ## Erkunde den Datensatz nach Verteilungen mit Textdaten
@@ -113,7 +113,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
   scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
 ```
 
-![Flügelspannweite und Schutzstatus](../../../../../translated_images/de/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.png)
+![Flügelspannweite und Schutzstatus](../../../../../translated_images/de/wingspan-conservation-collation.4024e9aa6910866a.webp)
 
 Es scheint keine gute Korrelation zwischen minimaler Flügelspannweite und Schutzstatus zu geben. Teste andere Elemente des Datensatzes mit dieser Methode. Kannst du eine Korrelation finden?
 
@@ -127,7 +127,7 @@ Lass uns jetzt mit Dichteplots arbeiten!
 ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
   geom_density()
 ```
-![Dichteplot](../../../../../translated_images/de/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.png)
+![Dichteplot](../../../../../translated_images/de/density-plot.675ccf865b76c690.webp)
 
 Du kannst sehen, wie der Plot das vorherige Diagramm für die minimale Flügelspannweite widerspiegelt; es ist nur etwas glatter. Wenn du die gezackte MaxKörpermasse-Linie im zweiten Diagramm, das du erstellt hast, glätten möchtest, könntest du dies sehr gut mit dieser Methode tun:
 
@@ -135,7 +135,7 @@ Du kannst sehen, wie der Plot das vorherige Diagramm für die minimale Flügelsp
 ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
   geom_density()
 ```
-![Körpermasse-Dichte](../../../../../translated_images/de/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.png)
+![Körpermasse-Dichte](../../../../../translated_images/de/bodymass-smooth.d31ce526d82b0a1f.webp)
 
 Wenn du eine glatte, aber nicht zu glatte Linie möchtest, bearbeite den `adjust`-Parameter:
 
@@ -143,7 +143,7 @@ Wenn du eine glatte, aber nicht zu glatte Linie möchtest, bearbeite den `adjust
 ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
   geom_density(adjust = 1/5)
 ```
-![weniger glatte Körpermasse](../../../../../translated_images/de/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.png)
+![weniger glatte Körpermasse](../../../../../translated_images/de/less-smooth-bodymass.10f4db8b683cc17d.webp)
 
 ✅ Lies über die verfügbaren Parameter für diesen Diagrammtyp und experimentiere!
 
@@ -153,7 +153,7 @@ Diese Art von Diagramm bietet wunderschön erklärende Visualisierungen. Mit nur
 ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
   geom_density(alpha=0.5)
 ```
-![Körpermasse pro Ordnung](../../../../../translated_images/de/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.png)
+![Körpermasse pro Ordnung](../../../../../translated_images/de/bodymass-per-order.9d2b065dd931b928.webp)
 
 ## 🚀 Herausforderung
 
diff --git a/translations/de/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/de/3-Data-Visualization/R/11-visualization-proportions/README.md
index af78af8a..d57fcb65 100644
--- a/translations/de/3-Data-Visualization/R/11-visualization-proportions/README.md
+++ b/translations/de/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -83,7 +83,7 @@ pie(grouped$count,grouped$class, main="Edible?")
 ```
 Voila, ein Tortendiagramm, das die Proportionen dieser Daten entsprechend den beiden Pilzklassen zeigt. Es ist sehr wichtig, die Reihenfolge der Labels korrekt zu setzen, besonders hier, also überprüfe unbedingt die Reihenfolge, in der das Label-Array erstellt wird!
 
-![Tortendiagramm](../../../../../translated_images/de/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.png)
+![Tortendiagramm](../../../../../translated_images/de/pie1-wb.685df063673751f4.webp)
 
 ## Donuts!
 
@@ -117,7 +117,7 @@ library(webr)
 PieDonut(habitat, aes(habitat, count=count))
 ```
 
-![Donut-Diagramm](../../../../../translated_images/de/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.png)
+![Donut-Diagramm](../../../../../translated_images/de/donut-wb.34e6fb275da9d834.webp)
 
 Dieser Code verwendet die beiden Bibliotheken ggplot2 und webr. Mit der PieDonut-Funktion der webr-Bibliothek können wir ein Donut-Diagramm einfach erstellen!
 
@@ -155,7 +155,7 @@ waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual
 
 Mit einem Waffel-Diagramm kannst du die Proportionen der Hutfarben in diesem Pilz-Datenset deutlich sehen. Interessanterweise gibt es viele Pilze mit grünen Hüten!
 
-![Waffel-Diagramm](../../../../../translated_images/de/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.png)
+![Waffel-Diagramm](../../../../../translated_images/de/waffle.aaa75c5337735a6e.webp)
 
 In dieser Lektion hast du drei Möglichkeiten gelernt, Proportionen zu visualisieren. Zuerst musst du deine Daten in Kategorien gruppieren und dann entscheiden, welche die beste Möglichkeit ist, die Daten darzustellen - Torte, Donut oder Waffel. Alle sind köstlich und bieten dem Benutzer einen sofortigen Überblick über ein Datenset.
 
diff --git a/translations/de/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/de/3-Data-Visualization/R/12-visualization-relationships/README.md
index cf0de8e0..c8b526f2 100644
--- a/translations/de/3-Data-Visualization/R/12-visualization-relationships/README.md
+++ b/translations/de/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -42,7 +42,7 @@ library(ggplot2)
 ggplot(honey, aes(x = priceperlb, y = state)) +
   geom_point(colour = "blue")
 ```
-![scatterplot 1](../../../../../translated_images/de/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.png)
+![scatterplot 1](../../../../../translated_images/de/scatter1.86b8900674d88b26.webp)
 
 Zeige nun dieselben Daten mit einem honigfarbenen Farbschema, um zu verdeutlichen, wie sich der Preis im Laufe der Jahre entwickelt hat. Dies kannst du erreichen, indem du den Parameter 'scale_color_gradientn' hinzufügst, um die Veränderung Jahr für Jahr darzustellen:
 
@@ -52,7 +52,7 @@ Zeige nun dieselben Daten mit einem honigfarbenen Farbschema, um zu verdeutliche
 ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
   geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
 ```
-![scatterplot 2](../../../../../translated_images/de/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.png)
+![scatterplot 2](../../../../../translated_images/de/scatter2.4d1cbc693bad20e2.webp)
 
 Mit dieser Farbänderung kannst du deutlich erkennen, dass es im Laufe der Jahre eine starke Preissteigerung pro Pfund Honig gibt. Wenn du beispielsweise einen bestimmten Bundesstaat wie Arizona betrachtest, kannst du ein Muster von Preissteigerungen Jahr für Jahr erkennen, mit wenigen Ausnahmen:
 
@@ -83,7 +83,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
 ```
 Du kannst sehen, dass die Größe der Punkte allmählich zunimmt.
 
-![scatterplot 3](../../../../../translated_images/de/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.png)
+![scatterplot 3](../../../../../translated_images/de/scatter3.722d21e6f20b3ea2.webp)
 
 Ist dies ein einfacher Fall von Angebot und Nachfrage? Aufgrund von Faktoren wie Klimawandel und dem Zusammenbruch von Bienenvölkern – gibt es Jahr für Jahr weniger Honig zu kaufen, und daher steigen die Preise?
 
@@ -98,7 +98,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
 ```
 Antwort: Ja, mit einigen Ausnahmen um das Jahr 2003:
 
-![line chart 1](../../../../../translated_images/de/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.png)
+![line chart 1](../../../../../translated_images/de/line1.299b576fbb2a59e6.webp)
 
 Frage: Gab es im Jahr 2003 auch einen Anstieg des Honigangebots? Was ist, wenn du die Gesamtproduktion Jahr für Jahr betrachtest?
 
@@ -106,7 +106,7 @@ Frage: Gab es im Jahr 2003 auch einen Anstieg des Honigangebots? Was ist, wenn d
 qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
 ```
 
-![line chart 2](../../../../../translated_images/de/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.png)
+![line chart 2](../../../../../translated_images/de/line2.3b18fcda7176ceba.webp)
 
 Antwort: Nicht wirklich. Wenn du die Gesamtproduktion betrachtest, scheint sie in diesem Jahr tatsächlich gestiegen zu sein, obwohl die Honigproduktion im Allgemeinen in diesen Jahren rückläufig ist.
 
@@ -126,7 +126,7 @@ ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) +
 ```
 In dieser Visualisierung kannst du den Ertrag pro Volk und die Anzahl der Völker Jahr für Jahr nebeneinander vergleichen, wobei die Wrap-Einstellung auf 3 Spalten gesetzt ist:
 
-![facet grid](../../../../../translated_images/de/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.png)
+![facet grid](../../../../../translated_images/de/facet.491ad90d61c2a7cc.webp)
 
 Für diesen Datensatz fällt nichts Besonderes in Bezug auf die Anzahl der Völker und deren Ertrag Jahr für Jahr und Bundesstaat für Bundesstaat auf. Gibt es eine andere Möglichkeit, eine Korrelation zwischen diesen beiden Variablen zu finden?
 
@@ -143,7 +143,7 @@ plot(honey$year, honey$yieldpercol, pch = 17, col = 3,
 axis(side = 4, at = pretty(range(y2)))      
 mtext("colony yield", side = 4, line = 3)   
 ```
-![superimposed plots](../../../../../translated_images/de/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.png)
+![superimposed plots](../../../../../translated_images/de/dual-line.fc4665f360a54018.webp)
 
 Auch wenn nichts um das Jahr 2003 ins Auge springt, können wir diese Lektion mit einer etwas erfreulicheren Note beenden: Während die Gesamtzahl der Bienenvölker insgesamt abnimmt, stabilisiert sich die Anzahl der Völker, auch wenn ihr Ertrag pro Volk sinkt.
 
diff --git a/translations/de/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/de/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
index f0e247cb..e21b3e19 100644
--- a/translations/de/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
+++ b/translations/de/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -38,25 +38,25 @@ In den vorherigen Lektionen haben Sie mit Matplotlib und Seaborn verschiedene in
 
 Selbst wenn ein Data Scientist sorgfältig den richtigen Diagrammtyp für die richtigen Daten auswählt, gibt es viele Möglichkeiten, wie Daten so dargestellt werden können, dass sie eine bestimmte Aussage unterstützen – oft auf Kosten der Datenintegrität. Es gibt viele Beispiele für irreführende Diagramme und Infografiken!
 
-[![Wie Diagramme lügen von Alberto Cairo](../../../../../translated_images/de/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Wie Diagramme lügen")
+[![Wie Diagramme lügen von Alberto Cairo](../../../../../translated_images/de/tornado.2880ffc7f135f82b.webp)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Wie Diagramme lügen")
 
 > 🎥 Klicken Sie auf das Bild oben, um einen Vortrag über irreführende Diagramme anzusehen.
 
 Dieses Diagramm kehrt die X-Achse um, um das Gegenteil der Wahrheit basierend auf dem Datum darzustellen:
 
-![schlechtes Diagramm 1](../../../../../translated_images/de/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.png)
+![schlechtes Diagramm 1](../../../../../translated_images/de/bad-chart-1.596bc93425a8ac30.webp)
 
 [Dieses Diagramm](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ist noch irreführender, da das Auge nach rechts gezogen wird, um zu schließen, dass die COVID-Fälle in den verschiedenen Bezirken im Laufe der Zeit zurückgegangen sind. Tatsächlich wurden die Daten jedoch so umgeordnet, dass ein irreführender Abwärtstrend entsteht.
 
-![schlechtes Diagramm 2](../../../../../translated_images/de/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.jpg)
+![schlechtes Diagramm 2](../../../../../translated_images/de/bad-chart-2.62edf4d2f30f4e51.webp)
 
 Dieses berüchtigte Beispiel verwendet Farbe UND eine umgekehrte Y-Achse, um zu täuschen: Statt zu zeigen, dass die Zahl der Waffentoten nach der Verabschiedung waffenfreundlicher Gesetze gestiegen ist, wird das Auge getäuscht, das Gegenteil zu glauben:
 
-![schlechtes Diagramm 3](../../../../../translated_images/de/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.jpg)
+![schlechtes Diagramm 3](../../../../../translated_images/de/bad-chart-3.e201e2e915a230bc.webp)
 
 Dieses seltsame Diagramm zeigt, wie Proportionen manipuliert werden können – mit komischem Effekt:
 
-![schlechtes Diagramm 4](../../../../../translated_images/de/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.jpg)
+![schlechtes Diagramm 4](../../../../../translated_images/de/bad-chart-4.8872b2b881ffa96c.webp)
 
 Das Vergleichen von Unvergleichbarem ist ein weiterer fragwürdiger Trick. Es gibt eine [wunderbare Website](https://tylervigen.com/spurious-correlations), die sich mit "spurious correlations" beschäftigt und "Fakten" zeigt, die Dinge wie die Scheidungsrate in Maine und den Margarineverbrauch korrelieren. Eine Reddit-Gruppe sammelt auch die [hässlichen Anwendungen](https://www.reddit.com/r/dataisugly/top/?t=all) von Daten.
 
@@ -91,13 +91,13 @@ Beschriften Sie Ihre Achsen, fügen Sie bei Bedarf eine Legende hinzu und bieten
 
 Wenn Ihre Daten textlastig und ausführlich auf der X-Achse sind, können Sie den Text für eine bessere Lesbarkeit schräg stellen. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) bietet 3D-Diagramme, wenn Ihre Daten dies unterstützen. Mit dieser Bibliothek können anspruchsvolle Datenvisualisierungen erstellt werden.
 
-![3D-Diagramme](../../../../../translated_images/de/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.png)
+![3D-Diagramme](../../../../../translated_images/de/3d.db1734c151eee87d.webp)
 
 ## Animation und 3D-Diagramme
 
 Einige der besten Datenvisualisierungen heutzutage sind animiert. Shirley Wu hat beeindruckende Visualisierungen mit D3 erstellt, wie z. B. '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', bei denen jede Blume eine Visualisierung eines Films darstellt. Ein weiteres Beispiel für den Guardian ist 'bussed out', eine interaktive Erfahrung, die Visualisierungen mit Greensock und D3 kombiniert und ein Scrollytelling-Artikel-Format verwendet, um zu zeigen, wie NYC mit seinem Obdachlosenproblem umgeht, indem Menschen aus der Stadt geschickt werden.
 
-![bussing](../../../../../translated_images/de/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.png)
+![bussing](../../../../../translated_images/de/busing.8157cf1bc89a3f65.webp)
 
 > "Bussed Out: How America Moves its Homeless" vom [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Visualisierungen von Nadieh Bremer & Shirley Wu
 
@@ -107,7 +107,7 @@ Auch wenn diese Lektion nicht ausreicht, um diese leistungsstarken Visualisierun
 
 Sie werden eine Web-App abschließen, die eine animierte Ansicht dieses sozialen Netzwerks anzeigt. Sie verwendet eine Bibliothek, die erstellt wurde, um ein [Netzwerk zu visualisieren](https://github.com/emiliorizzo/vue-d3-network) mit Vue.js und D3. Wenn die App läuft, können Sie die Knoten auf dem Bildschirm verschieben, um die Daten neu anzuordnen.
 
-![liaisons](../../../../../translated_images/de/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.png)
+![liaisons](../../../../../translated_images/de/liaisons.90ce7360bcf84765.webp)
 
 ## Projekt: Ein Diagramm zur Darstellung eines Netzwerks mit D3.js erstellen
 
diff --git a/translations/de/3-Data-Visualization/README.md b/translations/de/3-Data-Visualization/README.md
index 05e301f2..10cb2505 100644
--- a/translations/de/3-Data-Visualization/README.md
+++ b/translations/de/3-Data-Visualization/README.md
@@ -1,6 +1,6 @@
 # Visualisierungen
 
-![eine Biene auf einer Lavendelblüte](../../../translated_images/de/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.jpg)  
+![eine Biene auf einer Lavendelblüte](../../../translated_images/de/bee.0aa1d91132b12e3a.webp)  
 > Foto von <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> auf <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
 
 Daten zu visualisieren ist eine der wichtigsten Aufgaben eines Data Scientists. Bilder sagen mehr als tausend Worte, und eine Visualisierung kann Ihnen helfen, alle möglichen interessanten Aspekte Ihrer Daten zu erkennen, wie z. B. Spitzen, Ausreißer, Gruppierungen, Tendenzen und vieles mehr, die Ihnen helfen können, die Geschichte zu verstehen, die Ihre Daten erzählen möchten.
diff --git a/translations/de/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/de/4-Data-Science-Lifecycle/14-Introduction/README.md
index 936b0b65..392edf27 100644
--- a/translations/de/4-Data-Science-Lifecycle/14-Introduction/README.md
+++ b/translations/de/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -16,7 +16,7 @@ An diesem Punkt haben Sie wahrscheinlich erkannt, dass Datenwissenschaft ein Pro
 
 Diese Lektion konzentriert sich auf drei Teile des Lebenszyklus: Erfassung, Verarbeitung und Wartung.
 
-![Diagramm des Lebenszyklus der Datenwissenschaft](../../../../translated_images/de/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.jpg)  
+![Diagramm des Lebenszyklus der Datenwissenschaft](../../../../translated_images/de/data-science-lifecycle.a1e362637503c4fb.webp)  
 > Foto von [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
 
 ## Erfassung
@@ -92,7 +92,7 @@ Erforschen Sie den [Team Data Science Process Lifecycle](https://docs.microsoft.
 
 |Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
 |--|--|
-|![Team Data Science Lifecycle](../../../../translated_images/de/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.png) | ![Data Science Process Alliance Image](../../../../translated_images/de/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.png) |
+|![Team Data Science Lifecycle](../../../../translated_images/de/tdsp-lifecycle2.e19029d598e2e73d.webp) | ![Data Science Process Alliance Image](../../../../translated_images/de/CRISP-DM.8bad2b4c66e62aa7.webp) |
 | Bild von [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Bild von [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
 
 ## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ds/quiz/27)
diff --git a/translations/de/4-Data-Science-Lifecycle/README.md b/translations/de/4-Data-Science-Lifecycle/README.md
index 1df76f4e..78233b14 100644
--- a/translations/de/4-Data-Science-Lifecycle/README.md
+++ b/translations/de/4-Data-Science-Lifecycle/README.md
@@ -1,6 +1,6 @@
 # Der Lebenszyklus der Datenwissenschaft
 
-![communication](../../../translated_images/de/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.jpg)
+![communication](../../../translated_images/de/communication.06d8e2a88d30d168.webp)
 > Foto von <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> auf <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
   
 In diesen Lektionen wirst du einige Aspekte des Lebenszyklus der Datenwissenschaft erkunden, einschließlich der Analyse und Kommunikation rund um Daten.
diff --git a/translations/de/5-Data-Science-In-Cloud/README.md b/translations/de/5-Data-Science-In-Cloud/README.md
index f2849998..17f00468 100644
--- a/translations/de/5-Data-Science-In-Cloud/README.md
+++ b/translations/de/5-Data-Science-In-Cloud/README.md
@@ -1,12 +1,12 @@
 # Datenwissenschaft in der Cloud
 
-![cloud-picture](../../../translated_images/de/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.jpg)
+![cloud-picture](../../../translated_images/de/cloud-picture.f5526de3c6c6387b.webp)
 
 > Foto von [Jelleke Vanooteghem](https://unsplash.com/@ilumire) auf [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
 
 Wenn es darum geht, Datenwissenschaft mit großen Datenmengen zu betreiben, kann die Cloud ein echter Wendepunkt sein. In den nächsten drei Lektionen werden wir uns ansehen, was die Cloud ist und warum sie sehr hilfreich sein kann. Außerdem werden wir einen Datensatz zu Herzinsuffizienz untersuchen und ein Modell erstellen, um die Wahrscheinlichkeit einer Herzinsuffizienz zu bewerten. Wir werden die Leistungsfähigkeit der Cloud nutzen, um ein Modell auf zwei verschiedene Arten zu trainieren, bereitzustellen und zu verwenden. Einmal mit einer Benutzeroberfläche im Low-Code/No-Code-Stil und einmal mit dem Azure Machine Learning Software Developer Kit (Azure ML SDK).
 
-![project-schema](../../../translated_images/de/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.png)
+![project-schema](../../../translated_images/de/project-schema.420e56d495624541.webp)
 
 ### Themen
 
diff --git a/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
index 1062bd44..f2deb4c5 100644
--- a/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
+++ b/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -32,7 +32,7 @@ Dank der Demokratisierung von KI finden Entwickler es jetzt einfacher, KI-gesteu
 
  * [Datenwissenschaft im Gesundheitswesen](https://data-flair.training/blogs/data-science-in-healthcare/) - hebt Anwendungen wie medizinische Bildgebung (z. B. MRT, Röntgen, CT-Scan), Genomik (DNA-Sequenzierung), Arzneimittelentwicklung (Risikobewertung, Erfolgsvorhersage), prädiktive Analytik (Patientenversorgung & Logistik), Krankheitsüberwachung und -prävention hervor.
 
-![Anwendungen der Datenwissenschaft in der realen Welt](../../../../translated_images/de/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.png) Bildnachweis: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+![Anwendungen der Datenwissenschaft in der realen Welt](../../../../translated_images/de/data-science-applications.4e5019cd8790ebac.webp) Bildnachweis: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
 
 Die Abbildung zeigt weitere Bereiche und Beispiele für die Anwendung von Datenwissenschaftstechniken. Möchten Sie weitere Anwendungen erkunden? Schauen Sie sich den Abschnitt [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) unten an.
 
diff --git a/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
index 195e7064..6b3f78c8 100644
--- a/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
+++ b/translations/de/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -13,7 +13,7 @@ Die Explorer-Oberfläche (im Screenshot unten gezeigt) ermöglicht es dir, einen
  2. Erkunde den Datensatz-[Katalog](https://planetarycomputer.microsoft.com/catalog) – lerne den Zweck jedes Datensatzes kennen.
  3. Nutze den Explorer – wähle einen interessanten Datensatz aus, wähle eine relevante Abfrage und eine Darstellungsoption.
 
-![Der Planetary Computer Explorer](../../../../translated_images/de/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.png)
+![Der Planetary Computer Explorer](../../../../translated_images/de/planetary-computer-explorer.c1e95a9b053167d6.webp)
 
 `Deine Aufgabe:`
 Untersuche nun die Visualisierung, die im Browser angezeigt wird, und beantworte die folgenden Fragen:
diff --git a/translations/de/README.md b/translations/de/README.md
index d7a653b5..43a5f7a3 100644
--- a/translations/de/README.md
+++ b/translations/de/README.md
@@ -17,77 +17,87 @@
 
 [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
-Die Azure Cloud Advocates bei Microsoft freuen sich, einen 10-wöchigen Lehrplan mit 20 Lektionen rund um Data Science anzubieten. Jede Lektion beinhaltet Vor- und Nachquiz, schriftliche Anweisungen zum Abschluss der Lektion, eine Lösung und eine Aufgabe. Unsere projektbasierte Lehrmethode ermöglicht es Ihnen, beim Bauen zu lernen – eine bewährte Methode, damit neue Fähigkeiten „haften bleiben“.
+Azure Cloud Advocates bei Microsoft freuen sich, einen 10-wöchigen, 20-teiligen Lehrplan rund um Data Science anzubieten. Jede Lektion enthält Vor- und Nach-Quiz, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung und eine Aufgabe. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, durch aktives Bauen zu lernen – eine bewährte Methode, damit neue Fähigkeiten „haften bleiben“.
 
-**Herzlichen Dank an unsere Autoren:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
+**Ein herzliches Dankeschön an unsere Autoren:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
 
-**🙏 Besonderer Dank 🙏 an unsere [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) Autoren, Reviewer und Inhaltsbeiträge,** insbesondere Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
+**🙏 Besonderer Dank 🙏 an unsere [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/)-Autoren, Rezensenten und Inhaltspartner,** insbesondere Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
 [Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar , [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
 
-|![Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/de/00-Title.8af36cd35da1ac55.webp)|
+|![Sketchnote von @sketchthedocs https://sketchthedocs.dev](../../translated_images/de/00-Title.8af36cd35da1ac55.webp)|
 |:---:|
-| Data Science For Beginners - _Sketchnote von [@nitya](https://twitter.com/nitya)_ |
+| Data Science For Beginners – _Sketchnote von [@nitya](https://twitter.com/nitya)_ |
 
 ### 🌐 Mehrsprachige Unterstützung
 
-#### Unterstützt über GitHub Action (Automatisiert & Immer Aktuell)
+#### Unterstützt via GitHub Action (Automatisiert & Immer aktuell)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
-[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinesisch (Vereinfacht)](../zh-CN/README.md) | [Chinesisch (Traditionell, Hongkong)](../zh-HK/README.md) | [Chinesisch (Traditionell, Macau)](../zh-MO/README.md) | [Chinesisch (Traditionell, Taiwan)](../zh-TW/README.md) | [Kroatisch](../hr/README.md) | [Tschechisch](../cs/README.md) | [Dänisch](../da/README.md) | [Niederländisch](../nl/README.md) | [Estnisch](../et/README.md) | [Finnisch](../fi/README.md) | [Französisch](../fr/README.md) | [Deutsch](./README.md) | [Griechisch](../el/README.md) | [Hebräisch](../he/README.md) | [Hindi](../hi/README.md) | [Ungarisch](../hu/README.md) | [Indonesisch](../id/README.md) | [Italienisch](../it/README.md) | [Japanisch](../ja/README.md) | [Kannada](../kn/README.md) | [Koreanisch](../ko/README.md) | [Litauisch](../lt/README.md) | [Malaiisch](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerianisches Pidgin](../pcm/README.md) | [Norwegisch](../no/README.md) | [Persisch (Farsi)](../fa/README.md) | [Polnisch](../pl/README.md) | [Portugiesisch (Brasilien)](../pt-BR/README.md) | [Portugiesisch (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumänisch](../ro/README.md) | [Russisch](../ru/README.md) | [Serbisch (Kyrillisch)](../sr/README.md) | [Slowakisch](../sk/README.md) | [Slowenisch](../sl/README.md) | [Spanisch](../es/README.md) | [Suaheli](../sw/README.md) | [Schwedisch](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailändisch](../th/README.md) | [Türkisch](../tr/README.md) | [Ukrainisch](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisch](../vi/README.md)
+[Arabisch](../ar/README.md) | [Bengalisch](../bn/README.md) | [Bulgarisch](../bg/README.md) | [Birmanisch (Myanmar)](../my/README.md) | [Chinesisch (vereinfacht)](../zh-CN/README.md) | [Chinesisch (traditionell, Hongkong)](../zh-HK/README.md) | [Chinesisch (traditionell, Macau)](../zh-MO/README.md) | [Chinesisch (traditionell, Taiwan)](../zh-TW/README.md) | [Kroatisch](../hr/README.md) | [Tschechisch](../cs/README.md) | [Dänisch](../da/README.md) | [Niederländisch](../nl/README.md) | [Estnisch](../et/README.md) | [Finnisch](../fi/README.md) | [Französisch](../fr/README.md) | [Deutsch](./README.md) | [Griechisch](../el/README.md) | [Hebräisch](../he/README.md) | [Hindi](../hi/README.md) | [Ungarisch](../hu/README.md) | [Indonesisch](../id/README.md) | [Italienisch](../it/README.md) | [Japanisch](../ja/README.md) | [Kannada](../kn/README.md) | [Koreanisch](../ko/README.md) | [Litauisch](../lt/README.md) | [Malaiisch](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalesisch](../ne/README.md) | [Nigerianisches Pidgin](../pcm/README.md) | [Norwegisch](../no/README.md) | [Persisch (Farsi)](../fa/README.md) | [Polnisch](../pl/README.md) | [Portugiesisch (Brasilien)](../pt-BR/README.md) | [Portugiesisch (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumänisch](../ro/README.md) | [Russisch](../ru/README.md) | [Serbisch (kyrillisch)](../sr/README.md) | [Slowakisch](../sk/README.md) | [Slowenisch](../sl/README.md) | [Spanisch](../es/README.md) | [Swahili](../sw/README.md) | [Schwedisch](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailändisch](../th/README.md) | [Türkisch](../tr/README.md) | [Ukrainisch](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisch](../vi/README.md)
 
-> **Möchten Sie lieber lokal klonen?**
-
-> Dieses Repository enthält über 50 Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
+> **Lieber lokal klonen?**
+>
+> Dieses Repository enthält über 50 Sprachübersetzungen, was die Download-Größe erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
+>
+> **Bash / macOS / Linux:**
 > ```bash
 > git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
 > cd Data-Science-For-Beginners
 > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
 > ```
-> Dies gibt Ihnen alles, was Sie brauchen, um den Kurs viel schneller herunterzuladen.
+>
+> **CMD (Windows):**
+> ```cmd
+> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
+> cd Data-Science-For-Beginners
+> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
+> ```
+>
+> So erhalten Sie alles, was Sie für den Kurs benötigen, bei deutlich schnellerem Download.
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
 
-**Wenn Sie weitere unterstützte Übersetzungssprachen wünschen, finden Sie diese [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**Wenn Sie weitere Übersetzungen wünschen, sind unterstützte Sprachen [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) aufgelistet**
 
-#### Treten Sie unserer Gemeinschaft bei  
+#### Treten Sie unserer Community bei
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Wir haben eine laufende Discord-Reihe „Learn with AI“, erfahren Sie mehr und treten Sie uns bei unter [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025. Dort erhalten Sie Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
+Wir führen derzeit eine Discord „Learn with AI“-Serie durch, erfahren Sie mehr und nehmen Sie teil unter [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. – 30. September 2025. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
 
 ![Learn with AI series](../../translated_images/de/1.2b28cdc6205e26fe.webp)
 
-# Sind Sie ein Student?
+# Bist du ein Student?
 
-Starten Sie mit den folgenden Ressourcen:
+Starte mit den folgenden Ressourcen:
 
-- [Student Hub Seite](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Auf dieser Seite finden Sie Einsteigerressourcen, Studentensets und sogar Möglichkeiten, einen kostenlosen Zertifikatsgutschein zu erhalten. Diese Seite sollten Sie speichern und regelmäßig besuchen, da wir den Inhalt mindestens monatlich aktualisieren.
-- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Treten Sie einer globalen Gemeinschaft von Student Ambassadors bei, das könnte Ihr Einstieg bei Microsoft sein.
+- [Student Hub Seite](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Auf dieser Seite findest du Einsteigerressourcen, Studentenkits und sogar Möglichkeiten, einen kostenlosen Zertifizierungsgutschein zu erhalten. Das ist eine Seite, die du als Lesezeichen speichern und regelmäßig anschauen solltest, da wir die Inhalte mindestens monatlich austauschen.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Werde Teil einer globalen Community von Studentenbotschaftern – das könnte dein Einstieg bei Microsoft sein.
 
 # Erste Schritte
 
 ## 📚 Dokumentation
 
-- **[Installationsanleitung](INSTALLATION.md)** - Schritt-für-Schritt-Anleitung für Anfänger
-- **[Nutzungsanleitung](USAGE.md)** - Beispiele und häufige Abläufe
-- **[Fehlerbehebung](TROUBLESHOOTING.md)** - Lösungen für häufige Probleme
-- **[Beitragsrichtlinien](CONTRIBUTING.md)** - Wie man zu diesem Projekt beiträgt
-- **[Für Lehrkräfte](for-teachers.md)** - Unterrichtshilfen und Materialien für den Klassenraum
+- **[Installationsanleitung](INSTALLATION.md)** – Schritt-für-Schritt-Anleitung für Anfänger
+- **[Nutzungsanleitung](USAGE.md)** – Beispiele und gängige Arbeitsabläufe
+- **[Fehlerbehebung](TROUBLESHOOTING.md)** – Lösungen für häufige Probleme
+- **[Beitragsrichtlinien](CONTRIBUTING.md)** – Wie man zu diesem Projekt beiträgt
+- **[Für Lehrende](for-teachers.md)** – Anleitung für Unterricht und Klassenressourcen
 
 ## 👨‍🎓 Für Studierende
-> **Komplette Anfänger:** Neu in Data Science? Beginnen Sie mit unseren [anfängerfreundlichen Beispielen](examples/README.md)! Diese einfachen, gut kommentierten Beispiele helfen Ihnen, die Grundlagen zu verstehen, bevor Sie sich in den kompletten Lehrplan vertiefen.
-> **[Studierende](https://aka.ms/student-page)**: Um diesen Lehrplan eigenständig zu nutzen, forken Sie das gesamte Repository und bearbeiten die Übungen eigenständig, beginnend mit einem Vorlesungsquiz. Lesen Sie dann die Vorlesung und bearbeiten die restlichen Aktivitäten. Versuchen Sie, die Projekte zu verstehen und selbst zu erstellen, statt einfach die Lösungscodes zu kopieren; diese Lösungen sind allerdings in den /solutions-Ordnern jeder projektorientierten Lektion verfügbar. Eine weitere Idee ist, eine Lerngruppe mit Freunden zu bilden und gemeinsam den Inhalt durchzuarbeiten. Für weiterführendes Lernen empfehlen wir [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+> **Absolute Anfänger**: Neu in Data Science? Beginne mit unseren [einsteigerfreundlichen Beispielen](examples/README.md)! Diese einfachen, gut kommentierten Beispiele helfen dir, die Grundlagen zu verstehen, bevor du in den vollständigen Lehrplan eintauchst.
+> **[Studierende](https://aka.ms/student-page)**: Um diesen Lehrplan eigenständig zu nutzen, fork das gesamte Repository und bearbeite die Übungen selbstständig, beginnend mit einem Vorab-Quiz. Dann lese die Lektion und bearbeite die restlichen Aktivitäten. Versuche, die Projekte zu erstellen, indem du die Lektionen verstehst, anstatt den Lösungscode zu kopieren; der Code ist jedoch in den /solutions-Ordnern jeder projektorientierten Lektion verfügbar. Eine weitere Idee ist, eine Lerngruppe mit Freund*innen zu bilden und die Inhalte gemeinsam durchzugehen. Für weiterführendes Lernen empfehlen wir [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
 
 **Schnellstart:**
-1. Sehen Sie sich die [Installationsanleitung](INSTALLATION.md) zur Einrichtung Ihrer Umgebung an
-2. Lesen Sie die [Nutzungsanleitung](USAGE.md), um zu lernen, wie Sie mit dem Lehrplan arbeiten
-3. Beginnen Sie mit Lektion 1 und arbeiten Sie diese der Reihe nach durch
-4. Treten Sie unserer [Discord-Community](https://aka.ms/ds4beginners/discord) für Unterstützung bei
+1. Schau dir die [Installationsanleitung](INSTALLATION.md) an, um deine Umgebung einzurichten
+2. Lies die [Nutzungsanleitung](USAGE.md), um zu lernen, wie du mit dem Lehrplan arbeitest
+3. Beginne mit Lektion 1 und arbeite dich sequenziell durch
+4. Tritt unserer [Discord-Community](https://aka.ms/ds4beginners/discord) für Unterstützung bei
 
-## 👩‍🏫 Für Lehrkräfte
+## 👩‍🏫 Für Lehrende
+> **Lehrkräfte**: Wir haben [einige Vorschläge](for-teachers.md) zur Nutzung dieses Lehrplans aufgenommen. Wir freuen uns über Ihr Feedback [in unserem Diskussionsforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
 
-> **Lehrkräfte:** Wir haben [einige Vorschläge](for-teachers.md) zur Nutzung dieses Lehrplans zusammengestellt. Wir freuen uns über Ihr Feedback [in unserem Diskussionsforum](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
-## Triff das Team
+## Lernen Sie das Team kennen
 
-[![Promo-Video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo-Video")
+[![Promo-Video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video")
 
 **Gif von** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
 
@@ -95,99 +105,101 @@ Starten Sie mit den folgenden Ressourcen:
 
 ## Pädagogik
 
-Wir haben beim Aufbau dieses Lehrplans zwei pädagogische Grundsätze gewählt: sicherzustellen, dass er projektbasiert ist und häufige Quizze enthält. Am Ende dieser Reihe werden die Lernenden grundlegende Prinzipien der Datenwissenschaft gelernt haben, einschließlich ethischer Konzepte, Datenvorbereitung, verschiedener Arbeitsweisen mit Daten, Datenvisualisierung, Datenanalyse, Anwendungsbeispiele aus der Praxis der Datenwissenschaft und mehr.
+Wir haben bei der Erstellung dieses Lehrplans zwei pädagogische Grundsätze gewählt: Sicherzustellen, dass er projektbasiert ist und dass häufige Quizze enthalten sind. Am Ende dieser Serie haben die Lernenden grundlegende Prinzipien der Datenwissenschaft gelernt, einschließlich ethischer Konzepte, Datenvorbereitung, verschiedener Arbeitsweisen mit Daten, Datenvisualisierung, Datenanalyse, realer Anwendungsfälle der Datenwissenschaft und mehr.
 
-Darüber hinaus setzt ein Quiz mit niedrigem Einsatz vor einer Unterrichtseinheit die Lernabsicht des Studierenden hinsichtlich eines Themas, während ein zweites Quiz nach der Unterrichtsstunde das weitere Behalten sichert. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann vollständig oder teilweise durchlaufen werden. Die Projekte beginnen klein und werden im Laufe des 10-wöchigen Zyklus zunehmend komplexer.
+Zusätzlich setzt ein niedrigschwelliges Quiz vor dem Unterricht die Intention der Lernenden, ein Thema zu erlernen, während ein zweites Quiz nach dem Unterricht das weitere Behalten sichert. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann ganz oder teilweise absolviert werden. Die Projekte beginnen klein und werden zum Ende des 10-wöchigen Zyklus immer komplexer.
 
-> Finden Sie unseren [Verhaltenskodex](CODE_OF_CONDUCT.md), [Beitragsleitfaden](CONTRIBUTING.md), [Übersetzungsrichtlinien](TRANSLATIONS.md). Wir freuen uns auf Ihr konstruktives Feedback!
+> Finden Sie unseren [Verhaltenskodex](CODE_OF_CONDUCT.md), [Beitragsleitfäden](CONTRIBUTING.md), [Übersetzungsleitfäden](TRANSLATIONS.md). Wir freuen uns über Ihr konstruktives Feedback!
 
 ## Jede Lektion beinhaltet:
 
-- Optionale Sketchnote
-- Optionales Zusatzvideo
+- Optionales Sketchnote
+- Optionales ergänzendes Video
 - Aufwärmquiz vor der Lektion
 - Schriftliche Lektion
-- Für projektbasierte Lektionen: Schritt-für-Schritt-Anleitungen zum Aufbau des Projekts
-- Wissenskontrollen
+- Für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Aufbau des Projekts
+- Wissensüberprüfungen
 - Eine Herausforderung
 - Ergänzende Lektüre
 - Aufgabe
 - [Quiz nach der Lektion](https://ff-quizzes.netlify.app/en/)
 
-> **Ein Hinweis zu den Quizzen**: Alle Quizze befinden sich im Quiz-App-Ordner, insgesamt 40 Quizze mit jeweils drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt oder in Azure bereitgestellt werden; folgen Sie den Anweisungen im `quiz-app`-Ordner. Sie werden nach und nach lokalisiert.
+> **Eine Anmerkung zu den Quizzen**: Alle Quizze befinden sich im Ordner Quiz-App, insgesamt 40 Quizze mit jeweils drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt oder in Azure bereitgestellt werden; folgen Sie den Anweisungen im `quiz-app`-Ordner. Sie werden nach und nach lokalisiert.
 
 ## 🎓 Anfängerfreundliche Beispiele
 
-**Neu in der Datenwissenschaft?** Wir haben ein spezielles [Beispielverzeichnis](examples/README.md) mit einfachem, gut kommentiertem Code erstellt, das Ihnen den Einstieg erleichtert:
+**Neu in Data Science?** Wir haben ein spezielles [Beispielverzeichnis](examples/README.md) mit einfachem, gut kommentiertem Code erstellt, das Ihnen den Einstieg erleichtert:
 
-- 🌟 **Hello World** – Ihr erstes Datenwissenschaftsprogramm
-- 📂 **Daten laden** – Lernen, Datensätze zu lesen und zu erkunden
+- 🌟 **Hello World** – Ihr erstes Programm in der Datenwissenschaft
+- 📂 **Daten laden** – Lernen Sie, Datensätze zu lesen und zu erkunden
 - 📊 **Einfache Analyse** – Statistiken berechnen und Muster finden
-- 📈 **Grundlegende Visualisierung** – Erstellen von Diagrammen und Grafiken
-- 🔬 **Praxisprojekt** – Kompletter Workflow von Anfang bis Ende
+- 📈 **Grundlegende Visualisierung** – Diagramme und Grafiken erstellen
+- 🔬 **Echtes Projekt** – Komplett-Workflow von Anfang bis Ende
 
-Jedes Beispiel enthält detaillierte Kommentare, die jeden Schritt erklären, perfekt für absolute Anfänger!
+Jedes Beispiel enthält ausführliche Kommentare, die jeden Schritt erklären, was es perfekt für absolute Anfänger macht!
 
 👉 **[Beginnen Sie mit den Beispielen](examples/README.md)** 👈
 
 ## Lektionen
 
+
 |![ Sketchnote von @sketchthedocs https://sketchthedocs.dev](../../translated_images/de/00-Roadmap.4905d6567dff4753.webp)|
 |:---:|
-| Data Science For Beginners: Fahrplan - _Sketchnote von [@nitya](https://twitter.com/nitya)_ |
+| Data Science für Anfänger: Fahrplan – _Sketchnote von [@nitya](https://twitter.com/nitya)_ |
+
 
-| Lektion Nummer | Thema | Lektion Gruppe | Lernziele | Verlinkte Lektion | Autor |
+| Lektion Nr. | Thema | Unterrichtseinheit | Lernziele | Verlinkte Lektion | Autor |
 | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
-| 01 | Definition von Data Science | [Einführung](1-Introduction/README.md) | Lernen Sie die Grundkonzepte der Datenwissenschaft und deren Beziehung zu künstlicher Intelligenz, maschinellem Lernen und Big Data kennen. | [Lektion](1-Introduction/01-defining-data-science/README.md) [Video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
-| 02 | Datenwissenschaftsethik | [Einführung](1-Introduction/README.md) | Konzepte, Herausforderungen & Rahmenwerke der Datenethik. | [Lektion](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
-| 03 | Definition von Daten | [Einführung](1-Introduction/README.md) | Wie Daten klassifiziert werden und ihre häufigsten Quellen. | [Lektion](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
-| 04 | Einführung in Statistik & Wahrscheinlichkeit | [Einführung](1-Introduction/README.md) | Mathematische Techniken der Wahrscheinlichkeit und Statistik zum Verständnis von Daten. | [Lektion](1-Introduction/04-stats-and-probability/README.md) [Video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
-| 05 | Arbeit mit relationalen Daten | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Einführung in relationale Daten und Grundlagen der Erkundung und Analyse relationaler Daten mit der Structured Query Language, auch bekannt als SQL (ausgesprochen „see-quell“). | [Lektion](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
-| 06 | Arbeit mit NoSQL-Daten | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Einführung in nicht-relationale Daten, deren verschiedene Typen und die Grundlagen der Erkundung und Analyse von Dokumentendatenbanken. | [Lektion](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
-| 07 | Arbeiten mit Python | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Grundlagen der Nutzung von Python zur Datenexploration mit Bibliotheken wie Pandas. Grundlegendes Verständnis der Python-Programmierung wird empfohlen. | [Lektion](2-Working-With-Data/07-python/README.md) [Video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
-| 08 | Datenvorbereitung | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Themen zu Daten-Techniken zum Reinigen und Transformieren der Daten, um Herausforderungen wie fehlende, ungenaue oder unvollständige Daten zu bewältigen. | [Lektion](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
-| 09 | Visualisierung von Mengen | [Datenvisualisierung](3-Data-Visualization/README.md) | Lernen Sie, wie Sie Matplotlib zur Visualisierung von Vogeldaten 🦆 verwenden. | [Lektion](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 01 | Definieren von Data Science | [Einführung](1-Introduction/README.md) | Lernt die Grundkonzepte der Datenwissenschaft und deren Beziehung zu künstlicher Intelligenz, maschinellem Lernen und Big Data kennen. | [Lektion](1-Introduction/01-defining-data-science/README.md) [Video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Ethik der Datenwissenschaft | [Einführung](1-Introduction/README.md) | Konzepte, Herausforderungen und Rahmenwerke der Datenethik. | [Lektion](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Definition von Daten | [Einführung](1-Introduction/README.md) | Wie Daten klassifiziert werden und ihre gängigen Quellen. | [Lektion](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Einführung in Statistik und Wahrscheinlichkeit | [Einführung](1-Introduction/README.md) | Mathematische Techniken von Wahrscheinlichkeit und Statistik, um Daten zu verstehen. | [Lektion](1-Introduction/04-stats-and-probability/README.md) [Video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Arbeiten mit relationalen Daten | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Einführung in relationale Daten und die Grundlagen von Erkundung und Analyse relationaler Daten mit der Structured Query Language, auch bekannt als SQL („see-quell“). | [Lektion](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Arbeiten mit NoSQL-Daten | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Einführung in nicht-relationale Daten, deren verschiedene Typen und die Grundlagen der Erkundung und Analyse von Dokumentdatenbanken. | [Lektion](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Arbeiten mit Python | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Grundlagen der Nutzung von Python für die Datenerkundung mit Bibliotheken wie Pandas. Grundlegende Kenntnisse in Python-Programmierung werden empfohlen. | [Lektion](2-Working-With-Data/07-python/README.md) [Video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Datenaufbereitung | [Arbeiten mit Daten](2-Working-With-Data/README.md) | Themen zu Datenreinigung und Transformation, um Herausforderungen wie fehlende, ungenaue oder unvollständige Daten zu bewältigen. | [Lektion](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Visualisierung von Mengen | [Datenvisualisierung](3-Data-Visualization/README.md) | Lernen, wie man Matplotlib zur Visualisierung von Vogeldaten 🦆 verwendet | [Lektion](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
 | 10 | Visualisierung von Datenverteilungen | [Datenvisualisierung](3-Data-Visualization/README.md) | Visualisierung von Beobachtungen und Trends innerhalb eines Intervalls. | [Lektion](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
 | 11 | Visualisierung von Anteilen | [Datenvisualisierung](3-Data-Visualization/README.md) | Visualisierung diskreter und gruppierter Prozentsätze. | [Lektion](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 12 | Visualisierung von Zusammenhängen | [Datenvisualisierung](3-Data-Visualization/README.md) | Visualisierung von Verbindungen und Korrelationen zwischen Datensätzen und deren Variablen. | [Lektion](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 13 | Sinnvolle Visualisierungen | [Datenvisualisierung](3-Data-Visualization/README.md) | Techniken und Anleitungen, um Ihre Visualisierungen wertvoll für eine effektive Problemlösung und Einsichten zu machen. | [Lektion](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
-| 14 | Einführung in den Data Science Lifecycle | [Lebenszyklus](4-Data-Science-Lifecycle/README.md) | Einführung in den Data Science Lebenszyklus und dessen ersten Schritt der Datenerfassung und -extraktion. | [Lektion](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
-| 15 | Analysieren | [Lebenszyklus](4-Data-Science-Lifecycle/README.md) | Diese Phase des Data Science Lebenszyklus konzentriert sich auf Techniken zur Analyse von Daten. | [Lektion](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
-| 16 | Kommunikation | [Lebenszyklus](4-Data-Science-Lifecycle/README.md) | Diese Phase des Data Science Lebenszyklus konzentriert sich darauf, Einsichten aus den Daten so zu präsentieren, dass Entscheidungsträger sie besser verstehen können. | [Lektion](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
-| 17 | Data Science in der Cloud | [Cloud Daten](5-Data-Science-In-Cloud/README.md) | Diese Unterrichtsreihe führt in Data Science in der Cloud und deren Vorteile ein. | [Lektion](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) und [Maud](https://twitter.com/maudstweets) |
-| 18 | Data Science in der Cloud | [Cloud Daten](5-Data-Science-In-Cloud/README.md) | Modelltraining mit Low-Code-Tools. |[Lektion](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) und [Maud](https://twitter.com/maudstweets) |
-| 19 | Data Science in der Cloud | [Cloud Daten](5-Data-Science-In-Cloud/README.md) | Deployment von Modellen mit Azure Machine Learning Studio. | [Lektion](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) und [Maud](https://twitter.com/maudstweets) |
-| 20 | Data Science in der Praxis | [Im praktischen Einsatz](6-Data-Science-In-Wild/README.md) | Data Science-getriebene Projekte in der realen Welt. | [Lektion](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+| 12 | Visualisierung von Beziehungen | [Datenvisualisierung](3-Data-Visualization/README.md) | Visualisierung von Verbindungen und Korrelationen zwischen Datensätzen und deren Variablen. | [Lektion](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Sinnvolle Visualisierungen | [Datenvisualisierung](3-Data-Visualization/README.md) | Techniken und Anleitung, um Visualisierungen wertvoll für effektive Problemlösungen und Erkenntnisse zu machen. | [Lektion](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Einführung in den Data-Science-Lebenszyklus | [Lebenszyklus](4-Data-Science-Lifecycle/README.md) | Einführung in den Lebenszyklus der Datenwissenschaft und dessen ersten Schritt des Erwerbs und der Extraktion von Daten. | [Lektion](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Analysieren | [Lebenszyklus](4-Data-Science-Lifecycle/README.md) | Diese Phase des Data-Science-Lebenszyklus fokussiert Techniken zur Datenanalyse. | [Lektion](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Kommunikation | [Lebenszyklus](4-Data-Science-Lifecycle/README.md) | Diese Phase des Data-Science-Lebenszyklus konzentriert sich darauf, Erkenntnisse aus den Daten so zu präsentieren, dass Entscheidungsträger sie besser verstehen können. | [Lektion](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Datenwissenschaft in der Cloud | [Cloud-Daten](5-Data-Science-In-Cloud/README.md) | Diese Lektionenserie führt in die Datenwissenschaft in der Cloud und deren Vorteile ein. | [Lektion](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) und [Maud](https://twitter.com/maudstweets) |
+| 18 | Datenwissenschaft in der Cloud | [Cloud-Daten](5-Data-Science-In-Cloud/README.md) | Modelltraining mit Low-Code-Tools. |[Lektion](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) und [Maud](https://twitter.com/maudstweets) |
+| 19 | Datenwissenschaft in der Cloud | [Cloud-Daten](5-Data-Science-In-Cloud/README.md) | Modellbereitstellung mit Azure Machine Learning Studio. | [Lektion](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) und [Maud](https://twitter.com/maudstweets) |
+| 20 | Datenwissenschaft in der Praxis | [In freier Wildbahn](6-Data-Science-In-Wild/README.md) | Datenwissenschaftliche Projekte in der realen Welt. | [Lektion](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
 
 ## GitHub Codespaces
 
-Folgen Sie diesen Schritten, um dieses Beispiel in einem Codespace zu öffnen:
-1. Klicken Sie auf das Code-Dropdown-Menü und wählen Sie die Option „Open with Codespaces“.
-2. Wählen Sie „+ New codespace“ unten im Bereich.
-Für weitere Informationen siehe die [GitHub-Dokumentation](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+Führen Sie diese Schritte aus, um dieses Beispiel in einem Codespace zu öffnen:
+1. Klicken Sie auf das Dropdown-Menü Code und wählen Sie die Option Open with Codespaces.
+2. Wählen Sie unten im Bereich + New codespace aus.
+Weitere Informationen finden Sie in der [GitHub-Dokumentation](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
 
 ## VSCode Remote - Containers
-Folgen Sie diesen Schritten, um dieses Repository in einem Container mit Ihrem lokalen Rechner und VSCode mit der VS Code Remote - Containers Erweiterung zu öffnen:
+Führen Sie diese Schritte aus, um dieses Repo mit Ihrem lokalen Rechner und VSCode unter Verwendung der Erweiterung VS Code Remote - Containers in einem Container zu öffnen:
 
-1. Wenn Sie zum ersten Mal einen Entwicklungscontainer verwenden, stellen Sie sicher, dass Ihr System die Voraussetzungen erfüllt (z. B. Docker installiert ist) gemäß [der Einstiegshilfe](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+1. Wenn Sie zum ersten Mal einen Entwicklungscontainer verwenden, stellen Sie bitte sicher, dass Ihr System die Voraussetzungen erfüllt (z. B. Docker installiert) in der [Erste-Schritte-Dokumentation](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
 
 Um dieses Repository zu verwenden, können Sie entweder das Repository in einem isolierten Docker-Volume öffnen:
 
-**Hinweis**: Im Hintergrund wird der Remote-Containers-Befehl **Clone Repository in Container Volume...** verwendet, der den Quellcode in einem Docker-Volume statt im lokalen Dateisystem klont. [Volumes](https://docs.docker.com/storage/volumes/) sind der bevorzugte Mechanismus zur dauerhaften Speicherung von Container-Daten.
+**Hinweis**: Im Hintergrund wird dazu der Befehl Remote-Containers: **Clone Repository in Container Volume...** verwendet, um den Quellcode in einem Docker-Volume und nicht im lokalen Dateisystem zu klonen. [Volumes](https://docs.docker.com/storage/volumes/) sind der bevorzugte Mechanismus zum Persistieren von Container-Daten.
 
 Oder öffnen Sie eine lokal geklonte oder heruntergeladene Version des Repositories:
 
-- Klonen Sie dieses Repository auf Ihr lokales Dateisystem.
-- Drücken Sie F1 und wählen Sie den Befehl **Remote-Containers: Open Folder in Container...**.
+- Klonen Sie dieses Repository in Ihr lokales Dateisystem.
+- Drücken Sie F1 und wählen Sie den Befehl **Remote-Containers: Open Folder in Container...** aus.
 - Wählen Sie die geklonte Kopie dieses Ordners aus, warten Sie, bis der Container gestartet ist, und probieren Sie es aus.
 
 ## Offline-Zugriff
 
-Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner und geben Sie dann im Stammverzeichnis dieses Repositories `docsify serve` ein. Die Webseite wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: `localhost:3000`.
+Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repo, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner und geben Sie dann im Stammordner dieses Repos `docsify serve` ein. Die Webseite wird auf Port 3000 auf Ihrem lokalen Host verfügbar sein: `localhost:3000`.
 
-> Hinweis: Notebooks werden nicht über Docsify gerendert. Wenn Sie ein Notebook ausführen müssen, tun Sie dies separat in VS Code mit einem Python-Kernel.
+> Hinweis: Notebooks werden nicht mittels Docsify gerendert, also wenn Sie ein Notebook ausführen müssen, tun Sie dies getrennt in VS Code mit einem Python-Kernel.
 
-## Weitere Lehrpläne
+## Andere Lehrpläne
 
 Unser Team erstellt weitere Lehrpläne! Schauen Sie sich an:
 
@@ -206,7 +218,7 @@ Unser Team erstellt weitere Lehrpläne! Schauen Sie sich an:
 
 ---
  
-### Generative KI Reihe
+### Generative KI-Reihe
 [![Generative KI für Anfänger](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
 [![Generative KI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
 [![Generative KI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@@ -218,28 +230,28 @@ Unser Team erstellt weitere Lehrpläne! Schauen Sie sich an:
 [![ML für Anfänger](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
 [![Datenwissenschaft für Anfänger](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
 [![KI für Anfänger](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[![Cybersicherheit für Anfänger](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[![Cybersecurity für Anfänger](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
 [![Webentwicklung für Anfänger](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
 [![IoT für Anfänger](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[![XR Entwicklung für Anfänger](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![XR-Entwicklung für Anfänger](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
  
-### Copilot Reihe
-[![Copilot für KI-Paarprogrammierung](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+### Copilot-Reihe
+[![Copilot für KI-unterstützte Paarprogrammierung](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
 [![Copilot für C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
 [![Copilot Abenteuer](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
 <!-- CO-OP TRANSLATOR OTHER COURSES END -->
 
 ## Hilfe erhalten
 
-**Probleme?** Schau dir unseren [Fehlerbehebungsleitfaden](TROUBLESHOOTING.md) für Lösungen zu häufigen Problemen an.
+**Probleme?** Sieh dir unseren [Fehlerbehebungsleitfaden](TROUBLESHOOTING.md) an, um Lösungen für häufige Probleme zu finden.
 
-Wenn du feststeckst oder Fragen zum Erstellen von KI-Apps hast. Tritt Gleichgesinnten und erfahrenen Entwicklern in Diskussionen über MCP bei. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.
+Wenn du feststeckst oder Fragen zum Erstellen von KI-Anwendungen hast, tausche dich mit anderen Lernenden und erfahrenen Entwicklern in Diskussionen über MCP aus. Es ist eine unterstützende Community, in der Fragen willkommen sind und Wissen frei geteilt wird.
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Wenn du Produktfeedback hast oder Fehler beim Erstellen auftreten, besuche:
+Wenn du Produkt-Feedback hast oder Fehler beim Bauen bemerkst, besuche:
 
 [![Microsoft Foundry Entwicklerforum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
@@ -247,5 +259,5 @@ Wenn du Produktfeedback hast oder Fehler beim Erstellen auftreten, besuche:
 
 <!-- CO-OP TRANSLATOR DISCLAIMER START -->
 **Haftungsausschluss**:  
-Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir auf Genauigkeit achten, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in der jeweiligen Ursprungssprache gilt als maßgebliche Quelle. Bei kritischen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Nutzung dieser Übersetzung entstehen.
+Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, bitten wir zu beachten, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.
 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
\ No newline at end of file
diff --git a/translations/de/sketchnotes/README.md b/translations/de/sketchnotes/README.md
index d1e0e4f8..82afdffc 100644
--- a/translations/de/sketchnotes/README.md
+++ b/translations/de/sketchnotes/README.md
@@ -4,7 +4,7 @@ Finde alle Sketchnotes hier!
 
 Nitya Narasimhan, Künstlerin
 
-![roadmap sketchnote](../../../translated_images/de/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.png)
+![roadmap sketchnote](../../../translated_images/de/00-Roadmap.4905d6567dff4753.webp)
 
 **Haftungsausschluss**:  
 Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.
\ No newline at end of file
diff --git a/translations/ru/.co-op-translator.json b/translations/ru/.co-op-translator.json
index ff3cbb18..2f487248 100644
--- a/translations/ru/.co-op-translator.json
+++ b/translations/ru/.co-op-translator.json
@@ -11,12 +11,24 @@
     "source_file": "1-Introduction/01-defining-data-science/assignment.md",
     "language_code": "ru"
   },
+  "1-Introduction/01-defining-data-science/notebook.ipynb": {
+    "original_hash": "8f5eb7b3f7cc89e6d98fb32e1de65dec",
+    "translation_date": "2026-02-28T08:48:39+00:00",
+    "source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
+    "language_code": "ru"
+  },
   "1-Introduction/01-defining-data-science/solution/assignment.md": {
     "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
     "translation_date": "2025-08-27T09:04:08+00:00",
     "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
     "language_code": "ru"
   },
+  "1-Introduction/01-defining-data-science/solution/notebook.ipynb": {
+    "original_hash": "090bbfbfcb0c40d3d6e3236f836164ea",
+    "translation_date": "2026-02-28T08:49:13+00:00",
+    "source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
+    "language_code": "ru"
+  },
   "1-Introduction/02-ethics/README.md": {
     "original_hash": "58860ce9a4b8a564003d2752f7c72851",
     "translation_date": "2025-10-03T16:01:10+00:00",
@@ -95,6 +107,12 @@
     "source_file": "2-Working-With-Data/07-python/assignment.md",
     "language_code": "ru"
   },
+  "2-Working-With-Data/07-python/notebook-covidspread.ipynb": {
+    "original_hash": "6335cccba01dc6ad7b15aba7a8c73f38",
+    "translation_date": "2026-02-28T08:50:05+00:00",
+    "source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
+    "language_code": "ru"
+  },
   "2-Working-With-Data/08-data-preparation/README.md": {
     "original_hash": "1b560955ff39a2bcf2a049fce474a951",
     "translation_date": "2025-09-06T06:08:48+00:00",
@@ -360,8 +378,8 @@
     "language_code": "ru"
   },
   "README.md": {
-    "original_hash": "9204a2806964384a56f5cb0f22bbe953",
-    "translation_date": "2026-02-06T07:24:27+00:00",
+    "original_hash": "f671e295a294a2559fc59d1524e001b4",
+    "translation_date": "2026-02-28T08:55:05+00:00",
     "source_file": "README.md",
     "language_code": "ru"
   },
diff --git a/translations/ru/1-Introduction/01-defining-data-science/README.md b/translations/ru/1-Introduction/01-defining-data-science/README.md
index 309265e5..515bb855 100644
--- a/translations/ru/1-Introduction/01-defining-data-science/README.md
+++ b/translations/ru/1-Introduction/01-defining-data-science/README.md
@@ -6,7 +6,7 @@
 
 ---
 
-[![Видео: Определение науки о данных](../../../../translated_images/ru/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.png)](https://youtu.be/beZ7Mb_oz9I)
+[![Видео: Определение науки о данных](../../../../translated_images/ru/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)
 
 ## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ds/quiz/0)
 
@@ -144,7 +144,7 @@
 
 В этом задании мы попробуем найти концепции, связанные с областью Data Science, анализируя тексты. Мы возьмем статью из Википедии о Data Science, загрузим и обработаем текст, а затем создадим облако слов, похожее на это:
 
-![Облако слов для Data Science](../../../../translated_images/ru/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.png)
+![Облако слов для Data Science](../../../../translated_images/ru/ds_wordcloud.664a7c07dca57de0.webp)
 
 Посетите [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), чтобы ознакомиться с кодом. Вы также можете запустить код и увидеть, как он выполняет все преобразования данных в реальном времени.
 
diff --git a/translations/ru/1-Introduction/01-defining-data-science/notebook.ipynb b/translations/ru/1-Introduction/01-defining-data-science/notebook.ipynb
index c5064782..8906c55a 100644
--- a/translations/ru/1-Introduction/01-defining-data-science/notebook.ipynb
+++ b/translations/ru/1-Introduction/01-defining-data-science/notebook.ipynb
@@ -5,11 +5,11 @@
    "source": [
     "# Задача: Анализ текста о науке о данных\n",
     "\n",
-    "В этом примере мы выполним простое упражнение, охватывающее все этапы традиционного процесса работы с данными. Вам не нужно писать код, достаточно просто нажимать на ячейки ниже, чтобы выполнить их и наблюдать за результатом. В качестве задания вам предлагается попробовать этот код с другими данными.\n",
+    "В этом примере давайте выполним простое упражнение, охватывающее все этапы традиционного процесса науки о данных. Вам не нужно писать никакой код, вы можете просто нажимать на ячейки ниже, чтобы выполнить их и наблюдать результат. В качестве задания вам предлагается попробовать этот код с разными данными.\n",
     "\n",
     "## Цель\n",
     "\n",
-    "На этом уроке мы обсуждали различные концепции, связанные с наукой о данных. Давайте попробуем обнаружить больше связанных концепций, выполнив **текстовый анализ**. Мы начнем с текста о науке о данных, извлечем из него ключевые слова, а затем попробуем визуализировать результат.\n",
+    "В этом уроке мы обсуждали различные концепции, связанные с наукой о данных. Давайте попробуем обнаружить больше связанных концепций, сделав немного **текстового анализа**. Мы начнем с текста о науке о данных, извлечем из него ключевые слова и затем попробуем визуализировать результат.\n",
     "\n",
     "В качестве текста я использую страницу о науке о данных из Википедии:\n"
    ],
@@ -32,9 +32,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## Шаг 1: Получение данных\n",
+    "## Step 1: Получение данных\n",
     "\n",
-    "Первый шаг в любом процессе работы с данными — это получение данных. Для этого мы будем использовать библиотеку `requests`:\n"
+    "Первый шаг в каждом процессе обработки данных — получение данных. Мы будем использовать библиотеку `requests` для этого:\n"
    ],
    "metadata": {}
   },
@@ -68,43 +68,41 @@
    "source": [
     "## Шаг 2: Преобразование данных\n",
     "\n",
-    "Следующий шаг — преобразовать данные в форму, подходящую для обработки. В нашем случае мы скачали исходный HTML-код страницы, и нам нужно преобразовать его в обычный текст.\n",
+    "Следующий шаг — преобразовать данные в форму, подходящую для обработки. В нашем случае мы скачали исходный код HTML со страницы, и нам нужно преобразовать его в обычный текст.\n",
     "\n",
-    "Существует множество способов сделать это. Мы будем использовать самый простой встроенный объект [HTMLParser](https://docs.python.org/3/library/html.parser.html) из Python. Нам нужно создать подкласс класса `HTMLParser` и определить код, который будет собирать весь текст внутри HTML-тегов, за исключением тегов `<script>` и `<style>`.\n"
+    "Существует множество способов сделать это. Мы воспользуемся [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), популярной библиотекой Python для парсинга HTML. BeautifulSoup позволяет выбирать конкретные HTML-элементы, поэтому мы можем сфокусироваться на основном содержимом статьи из Википедии и сократить меню навигации, боковые панели, нижние колонтитулы и другой нерелевантный контент (хотя некоторый шаблонный текст всё же может остаться).\n"
    ],
    "metadata": {}
   },
+  {
+   "cell_type": "markdown",
+   "source": [
+    "Сначала нам нужно установить библиотеку BeautifulSoup для парсинга HTML:\n"
+   ],
+   "metadata": {}
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "source": [
+    "import sys\r\n",
+    "!{sys.executable} -m pip install beautifulsoup4"
+   ],
+   "outputs": [],
+   "metadata": {}
+  },
   {
    "cell_type": "code",
    "execution_count": 64,
    "source": [
-    "from html.parser import HTMLParser\r\n",
-    "\r\n",
-    "class MyHTMLParser(HTMLParser):\r\n",
-    "    script = False\r\n",
-    "    res = \"\"\r\n",
-    "    def handle_starttag(self, tag, attrs):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = True\r\n",
-    "    def handle_endtag(self, tag):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = False\r\n",
-    "    def handle_data(self, data):\r\n",
-    "        if str.strip(data)==\"\" or self.script:\r\n",
-    "            return\r\n",
-    "        self.res += ' '+data.replace('[ edit ]','')\r\n",
-    "\r\n",
-    "parser = MyHTMLParser()\r\n",
-    "parser.feed(text)\r\n",
-    "text = parser.res\r\n",
-    "print(text[:1000])"
+    "from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n    \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n    # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n    selectors = [\r\n        '.mw-jump-link',\r\n        '.navbox',\r\n        '.reflist',\r\n        'sup.reference',\r\n        '.mw-editsection',\r\n        '.hatnote',\r\n        '.metadata',\r\n        '.infobox',\r\n        '#toc',\r\n        '.toc',\r\n        '.sidebar',\r\n    ]\r\n    for selector in selectors:\r\n        for el in content_node.select(selector):\r\n            el.decompose()\r\n\r\nif content:\r\n    # Clean the content node to better approximate article text only.\r\n    clean_wikipedia_content(content)\r\n    text = content.get_text(separator=' ', strip=True)\r\n    print(text[:1000])\r\nelse:\r\n    print(\"Could not find main content. Using full page text.\")\r\n    text = soup.get_text(separator=' ', strip=True)\r\n    print(text[:1000])"
    ],
    "outputs": [
     {
      "output_type": "stream",
      "name": "stdout",
      "text": [
-      " Data science - Wikipedia Data science From Wikipedia, the free encyclopedia Jump to navigation Jump to search Interdisciplinary field of study focused on deriving knowledge and insights from data Not to be confused with  information science . The existence of  Comet NEOWISE  (here depicted as a series of red dots) was discovered by analyzing  astronomical survey  data acquired by a  space telescope , the  Wide-field Infrared Survey Explorer . Part of a series on Machine learning and  data mining Problems Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction Supervised learning ( classification  •  regression ) Decision trees Ensembles Bagging Boosting Random forest k -NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine \n"
+      "Data science From Wikipedia, the free encyclopedia Interdisciplinary field of study focused on deriving knowledge and insights from data Data science is an interdisciplinary academic field that uses statistics, scientific computing, scientific methods, processes, algorithms and systems to extract or extrapolate knowledge and insights from noisy, structured, and unstructured data. Data science also integrates domain knowledge from the underlying application domain. Data science is multifaceted and can be described as a science, a research paradigm, a research method, a discipline, a workflow, and a profession.\n"
      ]
     }
    ],
@@ -115,9 +113,9 @@
    "source": [
     "## Шаг 3: Получение инсайтов\n",
     "\n",
-    "Самый важный шаг — это преобразование данных в такую форму, из которой можно извлечь полезные выводы. В нашем случае мы хотим выделить ключевые слова из текста и определить, какие из них наиболее значимы.\n",
+    "Самый важный шаг — преобразовать наши данные в форму, из которой мы можем извлечь инсайты. В нашем случае мы хотим извлечь ключевые слова из текста и увидеть, какие ключевые слова более значимы.\n",
     "\n",
-    "Мы будем использовать библиотеку Python под названием [RAKE](https://github.com/aneesha/RAKE) для извлечения ключевых слов. Сначала установим эту библиотеку, если она еще не установлена:\n"
+    "Мы будем использовать библиотеку Python под названием [RAKE](https://github.com/aneesha/RAKE) для извлечения ключевых слов. Сначала установим эту библиотеку, если она отсутствует: \n"
    ],
    "metadata": {}
   },
@@ -162,7 +160,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Основная функциональность доступна через объект `Rake`, который мы можем настроить с помощью некоторых параметров. В нашем случае мы установим минимальную длину ключевого слова в 5 символов, минимальную частоту ключевого слова в документе - 3, а максимальное количество слов в ключевом слове - 2. Не стесняйтесь экспериментировать с другими значениями и наблюдать за результатом.\n"
+    "Основная функциональность доступна через объект `Rake`, который мы можем настроить с помощью некоторых параметров. В нашем случае мы установим минимальную длину ключевого слова в 5 символов, минимальную частоту появления ключевого слова в документе — 3, а максимальное количество слов в ключевом слове — 2. Не стесняйтесь экспериментировать с другими значениями и наблюдать результат.\n"
    ],
    "metadata": {}
   },
@@ -211,11 +209,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Мы получили список терминов вместе с соответствующей степенью важности. Как вы можете видеть, наиболее значимые дисциплины, такие как машинное обучение и большие данные, находятся в верхних позициях списка.\n",
+    "Мы получили список терминов вместе с соответствующей степенью важности. Как вы можете видеть, наиболее релевантные дисциплины, такие как машинное обучение и большие данные, присутствуют в списке в верхних позициях.\n",
     "\n",
     "## Шаг 4: Визуализация результата\n",
     "\n",
-    "Люди лучше всего воспринимают данные в визуальной форме. Поэтому часто имеет смысл визуализировать данные, чтобы извлечь некоторые инсайты. Мы можем использовать библиотеку `matplotlib` в Python, чтобы построить простое распределение ключевых слов с их значимостью:\n"
+    "Люди лучше всего воспринимают данные в визуальной форме. Поэтому часто имеет смысл визуализировать данные, чтобы сделать некоторые выводы. Мы можем использовать библиотеку `matplotlib` в Python, чтобы построить простое распределение ключевых слов с их релевантностью:\n"
    ],
    "metadata": {}
   },
@@ -252,7 +250,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Однако существует еще более лучший способ визуализировать частоту слов - с помощью **облака слов**. Нам потребуется установить еще одну библиотеку, чтобы построить облако слов из нашего списка ключевых слов.\n"
+    "Однако существует еще лучший способ визуализации частоты слов — с помощью **Word Cloud**. Нам потребуется установить другую библиотеку, чтобы построить облако слов из нашего списка ключевых слов.\n"
    ],
    "metadata": {}
   },
@@ -268,7 +266,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Объект `WordCloud` отвечает за обработку либо исходного текста, либо предварительно вычисленного списка слов с их частотами, и возвращает изображение, которое затем можно отобразить с помощью `matplotlib`:\n"
+    "Объект `WordCloud` отвечает за прием либо исходного текста, либо предварительно вычисленного списка слов с их частотами, и возвращает изображение, которое затем можно отобразить с помощью `matplotlib`:\n"
    ],
    "metadata": {}
   },
@@ -372,11 +370,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Вы можете заметить, что облако слов теперь выглядит более впечатляющим, но оно также содержит много шума (например, несвязанные слова, такие как `Retrieved on`). Кроме того, мы получаем меньше ключевых слов, состоящих из двух слов, таких как *data scientist* или *computer science*. Это связано с тем, что алгоритм RAKE гораздо лучше справляется с выбором качественных ключевых слов из текста. Этот пример иллюстрирует важность предварительной обработки и очистки данных, поскольку четкая картина в конце позволит нам принимать более обоснованные решения.\n",
+    "Вы можете видеть, что облако слов теперь выглядит более впечатляюще, но в нем также содержится много шума (например, нерелевантные слова, такие как `Retrieved on`). Кроме того, мы получаем меньше ключевых слов, состоящих из двух слов, таких как *data scientist* или *computer science*. Это происходит потому, что алгоритм RAKE гораздо лучше справляется с выбором хороших ключевых слов из текста. Этот пример иллюстрирует важность предварительной обработки и очистки данных, так как четкая картина в итоге позволит нам принимать более обоснованные решения.\n",
     "\n",
-    "В этом упражнении мы прошли простой процесс извлечения некоторого смысла из текста Википедии в форме ключевых слов и облака слов. Этот пример довольно прост, но он хорошо демонстрирует все типичные шаги, которые выполняет специалист по данным при работе с данными, начиная с получения данных и заканчивая визуализацией.\n",
+    "В этом упражнении мы прошли простой процесс извлечения смысла из текста Википедии в виде ключевых слов и облака слов. Этот пример достаточно простой, но он хорошо демонстрирует все типичные шаги, которые предпринимает специалист по данным при работе с данными, начиная с их получения и заканчивая визуализацией.\n",
     "\n",
-    "В нашем курсе мы подробно обсудим все эти шаги.\n"
+    "В нашем курсе мы подробно обсудим все эти этапы.\n"
    ],
    "metadata": {}
   },
@@ -394,7 +392,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**Отказ от ответственности**:  \nЭтот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Отказ от ответственности**:  \nЭтот документ был переведен с помощью сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для критически важной информации рекомендуется использовать профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -418,12 +416,6 @@
   },
   "interpreter": {
    "hash": "c28e7b6bf4e5b397b8288a85bf0a94ea8d3585ce2b01919feb195678ec71581b"
-  },
-  "coopTranslator": {
-   "original_hash": "50c0f0a5204a18405611cbe7e0fec56b",
-   "translation_date": "2025-09-02T10:05:21+00:00",
-   "source_file": "1-Introduction/01-defining-data-science/notebook.ipynb",
-   "language_code": "ru"
   }
  },
  "nbformat": 4,
diff --git a/translations/ru/1-Introduction/01-defining-data-science/solution/notebook.ipynb b/translations/ru/1-Introduction/01-defining-data-science/solution/notebook.ipynb
index db7d5d2f..931a5d4a 100644
--- a/translations/ru/1-Introduction/01-defining-data-science/solution/notebook.ipynb
+++ b/translations/ru/1-Introduction/01-defining-data-science/solution/notebook.ipynb
@@ -5,13 +5,13 @@
    "source": [
     "# Задача: Анализ текста о науке о данных\n",
     "\n",
-    "> *В этом блокноте мы экспериментируем с использованием разных URL - статьи из Википедии о машинном обучении. Вы можете заметить, что, в отличие от науки о данных, эта статья содержит множество терминов, что делает анализ более сложным. Нам нужно придумать другой способ очистки данных после извлечения ключевых слов, чтобы избавиться от некоторых частых, но незначимых словосочетаний.*\n",
+    "> *В этой тетради мы экспериментируем с использованием различных URL — статьи в Википедии о машинном обучении. Как видно, в отличие от статьи о науке о данных, эта статья содержит много терминов, что усложняет анализ. Нам нужно придумать другой способ очистки данных после извлечения ключевых слов, чтобы избавиться от некоторых часто встречающихся, но незначимых словосочетаний.*\n",
     "\n",
-    "В этом примере давайте проведем простое упражнение, охватывающее все этапы традиционного процесса науки о данных. Вам не нужно писать код, вы можете просто нажимать на ячейки ниже, чтобы выполнить их и наблюдать за результатом. В качестве задания вам предлагается попробовать этот код с другими данными.\n",
+    "В этом примере давайте выполним простое упражнение, охватывающее все этапы традиционного процесса науки о данных. Вам не нужно писать код, можно просто кликать по ячейкам ниже, чтобы выполнить их и наблюдать результат. В качестве вызова вам предлагается попробовать этот код с другими данными.\n",
     "\n",
     "## Цель\n",
     "\n",
-    "На этом уроке мы обсуждали различные концепции, связанные с наукой о данных. Давайте попробуем обнаружить больше связанных концепций, выполняя **текстовый анализ**. Мы начнем с текста о науке о данных, извлечем из него ключевые слова, а затем попробуем визуализировать результат.\n",
+    "В этом уроке мы обсуждали различные концепции, связанные с наукой о данных. Давайте попробуем открыть больше связанных концепций, выполняя **текстовый майнинг**. Начнем с текста о науке о данных, извлечем из него ключевые слова, а затем попробуем визуализировать результат.\n",
     "\n",
     "В качестве текста я буду использовать страницу о науке о данных из Википедии:\n"
    ],
@@ -35,9 +35,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "## Шаг 1: Получение данных\n",
+    "## Step 1: Получение данных\n",
     "\n",
-    "Первый шаг в любом процессе работы с данными — это получение данных. Для этого мы будем использовать библиотеку `requests`:\n"
+    "Первым шагом в любом процессе анализа данных является получение данных. Для этого мы будем использовать библиотеку `requests`:\n"
    ],
    "metadata": {}
   },
@@ -71,43 +71,41 @@
    "source": [
     "## Шаг 2: Преобразование данных\n",
     "\n",
-    "Следующий шаг — преобразовать данные в форму, подходящую для обработки. В нашем случае мы скачали исходный HTML-код страницы, и нам нужно преобразовать его в обычный текст.\n",
+    "Следующий шаг — преобразовать данные в подходящую для обработки форму. В нашем случае мы загрузили исходный код HTML страницы и нам нужно преобразовать его в простой текст.\n",
     "\n",
-    "Существует множество способов сделать это. Мы будем использовать самый простой встроенный объект [HTMLParser](https://docs.python.org/3/library/html.parser.html) из Python. Нам нужно создать подкласс класса `HTMLParser` и определить код, который будет собирать весь текст внутри HTML-тегов, за исключением тегов `<script>` и `<style>`.\n"
+    "Существует много способов сделать это. Мы будем использовать [BeautifulSoup](https://www.crummy.com/software/BeautifulSoup/), популярную библиотеку Python для парсинга HTML. BeautifulSoup позволяет нам выбирать определённые HTML-элементы, чтобы сосредоточиться на основном содержимом статьи на Википедии и сократить количество элементов навигационного меню, боковых панелей, нижних колонтитулов и другого нерелевантного содержания (хотя некоторый служебный текст всё же может остаться).\n"
    ],
    "metadata": {}
   },
+  {
+   "cell_type": "markdown",
+   "source": [
+    "Сначала нам нужно установить библиотеку BeautifulSoup для разбора HTML:\n"
+   ],
+   "metadata": {}
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "source": [
+    "import sys\r\n",
+    "!{sys.executable} -m pip install beautifulsoup4"
+   ],
+   "outputs": [],
+   "metadata": {}
+  },
   {
    "cell_type": "code",
    "execution_count": 4,
    "source": [
-    "from html.parser import HTMLParser\r\n",
-    "\r\n",
-    "class MyHTMLParser(HTMLParser):\r\n",
-    "    script = False\r\n",
-    "    res = \"\"\r\n",
-    "    def handle_starttag(self, tag, attrs):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = True\r\n",
-    "    def handle_endtag(self, tag):\r\n",
-    "        if tag.lower() in [\"script\",\"style\"]:\r\n",
-    "            self.script = False\r\n",
-    "    def handle_data(self, data):\r\n",
-    "        if str.strip(data)==\"\" or self.script:\r\n",
-    "            return\r\n",
-    "        self.res += ' '+data.replace('[ edit ]','')\r\n",
-    "\r\n",
-    "parser = MyHTMLParser()\r\n",
-    "parser.feed(text)\r\n",
-    "text = parser.res\r\n",
-    "print(text[:1000])"
+    "from bs4 import BeautifulSoup\r\n\r\n# Parse the HTML content\r\nsoup = BeautifulSoup(text, 'html.parser')\r\n\r\n# Extract only the main article content from Wikipedia\r\n# Wikipedia uses 'mw-parser-output' class for the main article content\r\ncontent = soup.find('div', class_='mw-parser-output')\r\n\r\ndef clean_wikipedia_content(content_node):\r\n    \"\"\"Remove common non-article elements from a Wikipedia content node.\"\"\"\r\n    # Strip jump links, navboxes, reference lists/superscripts, edit sections, TOC, sidebars, etc.\r\n    selectors = [\r\n        '.mw-jump-link',\r\n        '.navbox',\r\n        '.reflist',\r\n        'sup.reference',\r\n        '.mw-editsection',\r\n        '.hatnote',\r\n        '.metadata',\r\n        '.infobox',\r\n        '#toc',\r\n        '.toc',\r\n        '.sidebar',\r\n    ]\r\n    for selector in selectors:\r\n        for el in content_node.select(selector):\r\n            el.decompose()\r\n\r\nif content:\r\n    # Clean the content node to better approximate article text only.\r\n    clean_wikipedia_content(content)\r\n    text = content.get_text(separator=' ', strip=True)\r\n    print(text[:1000])\r\nelse:\r\n    print(\"Could not find main content. Using full page text.\")\r\n    text = soup.get_text(separator=' ', strip=True)\r\n    print(text[:1000])"
    ],
    "outputs": [
     {
      "output_type": "stream",
      "name": "stdout",
      "text": [
-      " Machine learning - Wikipedia Machine learning From Wikipedia, the free encyclopedia Jump to navigation Jump to search Study of algorithms that improve automatically through experience For the journal, see  Machine Learning (journal) . \"Statistical learning\" redirects here. For statistical learning in linguistics, see  statistical learning in language acquisition . Part of a series on Artificial intelligence Major goals Artificial general intelligence Planning Computer vision General game playing Knowledge reasoning Machine learning Natural language processing Robotics Approaches Symbolic Deep learning Bayesian networks Evolutionary algorithms Philosophy Ethics Existential risk Turing test Chinese room Control problem Friendly AI History Timeline Progress AI winter Technology Applications Projects Programming languages Glossary Glossary v t e Part of a series on Machine learning and  data mining Problems Classification Clustering Regression Anomaly detection Data Cleaning AutoML Associ\n"
+      "Machine learning From Wikipedia, the free encyclopedia Study of algorithms that improve automatically through experience Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. ML finds application in many fields, including natural language processing, computer vision, speech recognition, email filtering, agriculture, and medicine.\n"
      ]
     }
    ],
@@ -118,9 +116,9 @@
    "source": [
     "## Шаг 3: Получение инсайтов\n",
     "\n",
-    "Самый важный шаг — преобразовать наши данные в форму, из которой можно извлечь полезные инсайты. В нашем случае мы хотим выделить ключевые слова из текста и определить, какие из них наиболее значимы.\n",
+    "Самый важный шаг — преобразовать наши данные в форму, из которой мы можем извлечь инсайты. В нашем случае мы хотим извлечь ключевые слова из текста и посмотреть, какие из них более значимы.\n",
     "\n",
-    "Мы будем использовать библиотеку Python под названием [RAKE](https://github.com/aneesha/RAKE) для извлечения ключевых слов. Сначала установим эту библиотеку, если она еще не установлена:\n"
+    "Мы будем использовать библиотеку Python под названием [RAKE](https://github.com/aneesha/RAKE) для извлечения ключевых слов. Сначала установим эту библиотеку, если она не установлена: \n"
    ],
    "metadata": {}
   },
@@ -172,7 +170,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Основная функциональность доступна через объект `Rake`, который мы можем настроить с помощью некоторых параметров. В нашем случае мы установим минимальную длину ключевого слова в 5 символов, минимальную частоту ключевого слова в документе - 3, а максимальное количество слов в ключевом слове - 2. Не стесняйтесь экспериментировать с другими значениями и наблюдать за результатом.\n"
+    "Основная функциональность доступна через объект `Rake`, который мы можем настраивать с помощью некоторых параметров. В нашем случае мы установим минимальную длину ключевого слова в 5 символов, минимальную частоту ключевого слова в документе равной 3, а максимальное количество слов в ключевом слове — 2. Не стесняйтесь экспериментировать с другими значениями и наблюдать результаты.\n"
    ],
    "metadata": {}
   },
@@ -353,11 +351,11 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Мы получили список терминов вместе с их степенью важности. Как видно, наиболее значимые дисциплины, такие как машинное обучение и большие данные, находятся на верхних позициях списка.\n",
+    "Мы получили список терминов вместе с соответствующей степенью важности. Как видите, самые актуальные дисциплины, такие как машинное обучение и большие данные, присутствуют в списке на верхних позициях.\n",
     "\n",
     "## Шаг 4: Визуализация результата\n",
     "\n",
-    "Люди лучше всего воспринимают данные в визуальной форме. Поэтому часто имеет смысл визуализировать данные, чтобы извлечь некоторые инсайты. Мы можем использовать библиотеку `matplotlib` в Python, чтобы построить простое распределение ключевых слов с их значимостью:\n"
+    "Люди лучше всего воспринимают данные в визуальной форме. Поэтому часто имеет смысл визуализировать данные, чтобы сделать некоторые выводы. Мы можем использовать библиотеку `matplotlib` в Python для построения простой диаграммы распределения ключевых слов с их релевантностью:\n"
    ],
    "metadata": {}
   },
@@ -392,7 +390,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Однако существует еще более лучший способ визуализировать частоту слов - использовать **Облако слов**. Нам потребуется установить еще одну библиотеку, чтобы построить облако слов из нашего списка ключевых слов.\n"
+    "Однако существует еще лучший способ визуализации частоты слов — с помощью **облака слов**. Нам потребуется установить другую библиотеку, чтобы построить облако слов из нашего списка ключевых слов.\n"
    ],
    "metadata": {}
   },
@@ -408,7 +406,7 @@
   {
    "cell_type": "markdown",
    "source": [
-    "`Объект WordCloud отвечает за прием либо исходного текста, либо заранее вычисленного списка слов с их частотами, и возвращает изображение, которое затем можно отобразить с помощью matplotlib:`\n"
+    "Объект `WordCloud` отвечает за прием либо исходного текста, либо предварительно вычисленного списка слов с их частотами, и возвращает изображение, которое затем можно отобразить с помощью `matplotlib`:\n"
    ],
    "metadata": {}
   },
@@ -490,9 +488,9 @@
   {
    "cell_type": "markdown",
    "source": [
-    "Вы можете заметить, что облако слов теперь выглядит более впечатляющим, но оно также содержит много шума (например, несвязанные слова, такие как `Retrieved on`). Кроме того, мы получаем меньше ключевых слов, состоящих из двух слов, таких как *data scientist* или *computer science*. Это связано с тем, что алгоритм RAKE гораздо лучше справляется с выбором подходящих ключевых слов из текста. Этот пример подчеркивает важность предварительной обработки и очистки данных, так как четкая картина в итоге позволит нам принимать более обоснованные решения.\n",
+    "Вы можете видеть, что облако слов теперь выглядит более впечатляюще, но оно также содержит много шума (например, нерелевантные слова, такие как `Retrieved on`). Кроме того, у нас получается меньше ключевых слов, состоящих из двух слов, таких как *data scientist* или *computer science*. Это связано с тем, что алгоритм RAKE гораздо лучше справляется с выбором хороших ключевых слов из текста. Этот пример иллюстрирует важность предварительной обработки и очистки данных, поскольку четкая картина в конце позволит принимать лучшие решения.\n",
     "\n",
-    "В этом упражнении мы прошли простой процесс извлечения смысла из текста Википедии в виде ключевых слов и облака слов. Этот пример довольно прост, но он хорошо демонстрирует все типичные шаги, которые выполняет специалист по данным при работе с данными, начиная с их получения и заканчивая визуализацией.\n",
+    "В этом упражнении мы прошли через простой процесс извлечения смысла из текста Википедии в форме ключевых слов и облака слов. Этот пример довольно простой, но он хорошо демонстрирует все типичные шаги, которые выполнит дата-сайентист при работе с данными, начиная с получения данных и заканчивая визуализацией.\n",
     "\n",
     "В нашем курсе мы подробно обсудим все эти шаги.\n"
    ],
@@ -502,7 +500,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**Отказ от ответственности**:  \nЭтот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Отказ от ответственности**:  \nЭтот документ был переведен с использованием автоматического сервиса перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на языке оригинала должен рассматриваться как авторитетный источник. Для критически важной информации рекомендуется воспользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -526,12 +524,6 @@
   },
   "interpreter": {
    "hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
-  },
-  "coopTranslator": {
-   "original_hash": "dbdf34788efab64e5d817f1df38965a8",
-   "translation_date": "2025-09-02T10:19:39+00:00",
-   "source_file": "1-Introduction/01-defining-data-science/solution/notebook.ipynb",
-   "language_code": "ru"
   }
  },
  "nbformat": 4,
diff --git a/translations/ru/1-Introduction/04-stats-and-probability/README.md b/translations/ru/1-Introduction/04-stats-and-probability/README.md
index 611b57ed..d7f77ce1 100644
--- a/translations/ru/1-Introduction/04-stats-and-probability/README.md
+++ b/translations/ru/1-Introduction/04-stats-and-probability/README.md
@@ -6,7 +6,7 @@
 
 Статистика и теория вероятностей — это две тесно связанные области математики, которые имеют большое значение для анализа данных. Можно работать с данными без глубоких знаний математики, но лучше знать хотя бы основные концепции. Здесь мы представим краткое введение, которое поможет вам начать.
 
-[![Вводное видео](../../../../translated_images/ru/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.png)](https://youtu.be/Z5Zy85g4Yjw)
+[![Вводное видео](../../../../translated_images/ru/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
 
 ## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ds/quiz/6)
 
@@ -30,7 +30,7 @@
 
 Мы можем говорить только о вероятности того, что переменная попадёт в заданный интервал значений, например P(t<sub>1</sub>≤X<t<sub>2</sub>). В этом случае распределение вероятностей описывается **функцией плотности вероятности** p(x), такой, что
 
-![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/ru/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.png)
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/ru/probability-density.a8aad29f17a14afb.webp)
 
 Непрерывный аналог равномерного распределения называется **непрерывным равномерным**, который определяется на конечном интервале. Вероятность того, что значение X попадёт в интервал длиной l, пропорциональна l и достигает 1.
 
@@ -73,11 +73,11 @@
 
 Вот боксплот, показывающий среднее, медиану и квартили для наших данных:
 
-![Боксплот веса](../../../../translated_images/ru/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.png)
+![Боксплот веса](../../../../translated_images/ru/weight-boxplot.1dbab1c03af26f8a.webp)
 
 Поскольку наши данные содержат информацию о разных **ролях** игроков, мы также можем построить боксплот по ролям — это позволит нам понять, как значения параметров различаются в зависимости от ролей. На этот раз мы рассмотрим рост:
 
-![Боксплот по ролям](../../../../translated_images/ru/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.png)
+![Боксплот по ролям](../../../../translated_images/ru/boxplot_byrole.036b27a1c3f52d42.webp)
 
 Эта диаграмма показывает, что, в среднем, рост игроков первой базы выше, чем рост игроков второй базы. Позже в этом уроке мы узнаем, как можно более формально проверить эту гипотезу и как продемонстрировать, что наши данные статистически значимы для её подтверждения.
 
@@ -85,7 +85,7 @@
 
 Чтобы увидеть, как распределены наши данные, мы можем построить график, называемый **гистограммой**. Ось X будет содержать количество различных интервалов веса (так называемых **бинов**), а вертикальная ось будет показывать количество раз, когда выборка случайной переменной попадала в данный интервал.
 
-![Гистограмма данных из реального мира](../../../../translated_images/ru/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.png)
+![Гистограмма данных из реального мира](../../../../translated_images/ru/weight-histogram.bfd00caf7fc30b14.webp)
 
 Из этой гистограммы видно, что все значения сосредоточены вокруг определённого среднего веса, и чем дальше мы отходим от этого веса, тем реже встречаются веса такого значения. То есть, вероятность того, что вес бейсболиста будет сильно отличаться от среднего веса, очень мала. Дисперсия весов показывает степень, в которой веса могут отличаться от среднего.
 
@@ -102,7 +102,7 @@ samples = np.random.normal(mean,std,1000)
 
 Если мы построим гистограмму сгенерированных выборок, мы увидим картину, очень похожую на ту, что показана выше. А если мы увеличим количество выборок и количество бинов, мы сможем получить изображение нормального распределения, которое будет ближе к идеальному:
 
-![Нормальное распределение со средним=0 и стандартным отклонением=1](../../../../translated_images/ru/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.png)
+![Нормальное распределение со средним=0 и стандартным отклонением=1](../../../../translated_images/ru/normal-histogram.dfae0d67c202137d.webp)
 
 *Нормальное распределение со средним=0 и стандартным отклонением=1*
 
@@ -224,7 +224,7 @@ array([[1.        , 0.52959196],
 
 В нашем случае значение 0.53 указывает на то, что существует некоторая корреляция между весом и ростом человека. Мы также можем построить диаграмму рассеяния одного значения против другого, чтобы визуально увидеть связь:
 
-![Связь между весом и ростом](../../../../translated_images/ru/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.png)
+![Связь между весом и ростом](../../../../translated_images/ru/weight-height-relationship.3f06bde4ca2aba99.webp)
 
 > Больше примеров корреляции и ковариации можно найти в [сопроводительном ноутбуке](notebook.ipynb).
 
diff --git a/translations/ru/1-Introduction/README.md b/translations/ru/1-Introduction/README.md
index b2efa0c4..23149f60 100644
--- a/translations/ru/1-Introduction/README.md
+++ b/translations/ru/1-Introduction/README.md
@@ -1,6 +1,6 @@
 # Введение в науку о данных
 
-![данные в действии](../../../translated_images/ru/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.jpg)
+![данные в действии](../../../translated_images/ru/data.48e22bb7617d8d92.webp)
 > Фото сделано <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Стивеном Доусоном</a> на <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
   
 В этих уроках вы узнаете, как определяется наука о данных, а также познакомитесь с этическими аспектами, которые должен учитывать специалист по данным. Вы также узнаете, что такое данные, и получите общее представление о статистике и теории вероятностей — ключевых академических областях науки о данных.
diff --git a/translations/ru/2-Working-With-Data/07-python/README.md b/translations/ru/2-Working-With-Data/07-python/README.md
index 83aef5ce..c91a6ec9 100644
--- a/translations/ru/2-Working-With-Data/07-python/README.md
+++ b/translations/ru/2-Working-With-Data/07-python/README.md
@@ -4,7 +4,7 @@
 | :-------------------------------------------------------------------------------------------------------: |
 |                 Работа с Python - _Скетчноут от [@nitya](https://twitter.com/nitya)_                     |
 
-[![Вводное видео](../../../../translated_images/ru/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.png)](https://youtu.be/dZjWOGbsN4Y)
+[![Вводное видео](../../../../translated_images/ru/video-ds-python.245247dc811db8e4.webp)](https://youtu.be/dZjWOGbsN4Y)
 
 Хотя базы данных предоставляют очень эффективные способы хранения данных и их запросов с использованием языков запросов, наиболее гибким способом обработки данных является написание собственной программы для их манипуляции. Во многих случаях запрос к базе данных будет более эффективным. Однако в некоторых случаях, когда требуется более сложная обработка данных, это не так просто сделать с помощью SQL.  
 Обработка данных может быть запрограммирована на любом языке программирования, но существуют языки, которые считаются более высокоуровневыми для работы с данными. Специалисты по данным обычно предпочитают один из следующих языков:
@@ -64,7 +64,7 @@ print(f"Length of index is {len(idx)}")
 items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
 items_sold.plot()
 ```
-![График временного ряда](../../../../translated_images/ru/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.png)
+![График временного ряда](../../../../translated_images/ru/timeseries-1.80de678ab1cf727e.webp)
 
 Теперь предположим, что каждую неделю мы устраиваем вечеринку для друзей и берем дополнительно 10 упаковок мороженого для вечеринки. Мы можем создать еще один Series, индексированный по неделям, чтобы это показать:
 ```python
@@ -75,7 +75,7 @@ additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"
 total_items = items_sold.add(additional_items,fill_value=0)
 total_items.plot()
 ```
-![График временного ряда](../../../../translated_images/ru/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.png)
+![График временного ряда](../../../../translated_images/ru/timeseries-2.aae51d575c55181c.webp)
 
 > **Примечание**: Мы не используем простую запись `total_items+additional_items`. Если бы мы это сделали, то получили бы много значений `NaN` (*Not a Number*) в результирующем Series. Это происходит из-за отсутствующих значений для некоторых точек индекса в Series `additional_items`, а сложение `NaN` с чем-либо дает `NaN`. Поэтому необходимо указать параметр `fill_value` при сложении.
 
@@ -84,7 +84,7 @@ total_items.plot()
 monthly = total_items.resample("1M").mean()
 ax = monthly.plot(kind='bar')
 ```
-![Средние значения временного ряда за месяц](../../../../translated_images/ru/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.png)
+![Средние значения временного ряда за месяц](../../../../translated_images/ru/timeseries-3.f3147cbc8c624881.webp)
 
 ### DataFrame
 
@@ -210,7 +210,7 @@ df = pd.read_csv('file.csv')
 
 Поскольку мы хотим продемонстрировать, как работать с данными, мы приглашаем вас открыть [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) и прочитать его от начала до конца. Вы также можете выполнить ячейки и выполнить задания, которые мы оставили для вас в конце.
 
-![COVID Spread](../../../../translated_images/ru/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.png)
+![COVID Spread](../../../../translated_images/ru/covidspread.f3d131c4f1d260ab.webp)
 
 > Если вы не знаете, как запускать код в Jupyter Notebook, ознакомьтесь с [этой статьей](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
 
@@ -232,7 +232,7 @@ df = pd.read_csv('file.csv')
 
 Откройте [`notebook-papers.ipynb`](notebook-papers.ipynb) и прочитайте его от начала до конца. Вы также можете выполнить ячейки и выполнить задания, которые мы оставили для вас в конце.
 
-![Covid Medical Treatment](../../../../translated_images/ru/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.png)
+![Covid Medical Treatment](../../../../translated_images/ru/covidtreat.b2ba59f57ca45fbc.webp)
 
 ## Обработка данных изображений
 
diff --git a/translations/ru/2-Working-With-Data/07-python/notebook-covidspread.ipynb b/translations/ru/2-Working-With-Data/07-python/notebook-covidspread.ipynb
index 34df15a7..16f068fc 100644
--- a/translations/ru/2-Working-With-Data/07-python/notebook-covidspread.ipynb
+++ b/translations/ru/2-Working-With-Data/07-python/notebook-covidspread.ipynb
@@ -8,7 +8,7 @@
     "\n",
     "## Загрузка данных\n",
     "\n",
-    "Мы будем использовать данные о зараженных COVID-19, предоставленные [Центром системной науки и инженерии](https://systems.jhu.edu/) (CSSE) при [Университете Джонса Хопкинса](https://jhu.edu/). Набор данных доступен в [этом репозитории на GitHub](https://github.com/CSSEGISandData/COVID-19).\n"
+    "Мы будем использовать данные о заразившихся COVID-19, предоставленные [Центром системных наук и инженерии](https://systems.jhu.edu/) (CSSE) в [Университете Джонса Хопкинса](https://jhu.edu/). Набор данных доступен в [этом репозитории GitHub](https://github.com/CSSEGISandData/COVID-19).\n"
    ]
   },
   {
@@ -27,7 +27,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Мы можем загрузить самые последние данные напрямую с GitHub, используя `pd.read_csv`. Если по какой-то причине данные недоступны, вы всегда можете использовать копию, доступную локально в папке `data` - просто раскомментируйте строку ниже, которая определяет `base_url`:\n"
+    "Мы можем загрузить самые свежие данные напрямую с GitHub, используя `pd.read_csv`. Если по какой-то причине данные недоступны, вы всегда можете использовать копию, доступную локально в папке `data` — просто раскомментируйте строку ниже, которая определяет `base_url`:\n"
    ]
   },
   {
@@ -47,7 +47,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "Давайте теперь загрузим данные по зараженным и посмотрим, как выглядят эти данные:\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -263,7 +265,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Мы видим, что каждая строка таблицы определяет количество инфицированных людей для каждой страны и/или провинции, а столбцы соответствуют датам. Аналогичные таблицы можно загрузить для других данных, таких как количество выздоровевших и количество смертей.\n"
+    "Мы видим, что каждая строка таблицы определяет количество заражённых для каждой страны и/или провинции, а столбцы соответствуют датам. Подобные таблицы можно загрузить для других данных, таких как количество выздоровевших и количество смертей.\n"
    ]
   },
   {
@@ -280,9 +282,9 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## Разбираемся с данными\n",
+    "## Понимание данных\n",
     "\n",
-    "Из таблицы выше роль столбца с провинциями не совсем ясна. Давайте посмотрим на различные значения, которые присутствуют в столбце `Province/State`:\n"
+    "Из таблицы выше роль столбца province не ясна. Давайте посмотрим на разные значения, которые присутствуют в столбце `Province/State`:\n"
    ]
   },
   {
@@ -319,7 +321,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "Из названий можно сделать вывод, что такие страны, как Австралия и Китай, имеют более подробное разделение по провинциям. Давайте найдем информацию о Китае, чтобы увидеть пример:\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -1319,7 +1323,7 @@
    "source": [
     "## Предварительная обработка данных\n",
     "\n",
-    "Нас не интересует разделение стран на отдельные территории, поэтому сначала мы уберем это разделение и объединим информацию по всем территориям, чтобы получить данные для всей страны. Это можно сделать с помощью `groupby`:\n"
+    "Нас не интересует разбиение стран на отдельные территории, поэтому мы сначала избавимся от такого разбиения и объединим информацию по всем территориям, чтобы получить данные по всей стране. Это можно сделать с помощью `groupby`:\n"
    ]
   },
   {
@@ -1574,7 +1578,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Вы можете видеть, что из-за использования `groupby` все DataFrame теперь индексируются по Country/Region. Таким образом, мы можем получить доступ к данным для конкретной страны, используя `.loc`:\n"
+    "Вы можете видеть, что благодаря использованию `groupby` все DataFrame теперь индексируются по Стране/Региону. Таким образом, мы можем получить доступ к данным для конкретной страны, используя `.loc`:|\n"
    ]
   },
   {
@@ -1583,20 +1587,19 @@
    "metadata": {},
    "outputs": [
     {
+     "output_type": "display_data",
      "data": {
-      "image/png": "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",
-      "image/svg+xml": "<?xml version=\"1.0\" encoding=\"utf-8\" standalone=\"no\"?>\r\n<!DOCTYPE svg PUBLIC \"-//W3C//DTD SVG 1.1//EN\"\r\n  \"http://www.w3.org/Graphics/SVG/1.1/DTD/svg11.dtd\">\r\n<svg height=\"207.996562pt\" version=\"1.1\" viewBox=\"0 0 585.7625 207.996562\" width=\"585.7625pt\" xmlns=\"http://www.w3.org/2000/svg\" xmlns:xlink=\"http://www.w3.org/1999/xlink\">\r\n <metadata>\r\n  <rdf:RDF xmlns:cc=\"http://creativecommons.org/ns#\" xmlns:dc=\"http://purl.org/dc/elements/1.1/\" xmlns:rdf=\"http://www.w3.org/1999/02/22-rdf-syntax-ns#\">\r\n   <cc:Work>\r\n    <dc:type rdf:resource=\"http://purl.org/dc/dcmitype/StillImage\"/>\r\n    <dc:date>2021-08-30T11:16:56.636352</dc:date>\r\n    <dc:format>image/svg+xml</dc:format>\r\n    <dc:creator>\r\n     <cc:Agent>\r\n      <dc:title>Matplotlib v3.4.2, https://matplotlib.org/</dc:title>\r\n     </cc:Agent>\r\n    </dc:creator>\r\n   </cc:Work>\r\n  </rdf:RDF>\r\n </metadata>\r\n <defs>\r\n  <style type=\"text/css\">*{stroke-linecap:butt;stroke-linejoin:round;}</style>\r\n </defs>\r\n <g id=\"figure_1\">\r\n  <g id=\"patch_1\">\r\n   <path d=\"M 0 207.996562 \r\nL 585.7625 207.996562 \r\nL 585.7625 0 \r\nL 0 0 \r\nz\r\n\" style=\"fill:#ffffff;\"/>\r\n  </g>\r\n  <g id=\"axes_1\">\r\n   <g id=\"patch_2\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 578.5625 184.118437 \r\nL 578.5625 17.798437 \r\nL 20.5625 17.798437 \r\nz\r\n\" style=\"fill:#ffffff;\"/>\r\n   </g>\r\n   <g id=\"matplotlib.axis_1\">\r\n    <g id=\"xtick_1\">\r\n     <g id=\"line2d_1\">\r\n      <defs>\r\n       <path d=\"M 0 0 \r\nL 0 3.5 \r\n\" id=\"m2e330da247\" style=\"stroke:#000000;stroke-width:0.8;\"/>\r\n      </defs>\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"45.926136\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_1\">\r\n      <!-- 1/22/20 -->\r\n      <g transform=\"translate(26.651136 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 794 531 \r\nL 1825 531 \r\nL 1825 4091 \r\nL 703 3866 \r\nL 703 4441 \r\nL 1819 4666 \r\nL 2450 4666 \r\nL 2450 531 \r\nL 3481 531 \r\nL 3481 0 \r\nL 794 0 \r\nL 794 531 \r\nz\r\n\" id=\"DejaVuSans-31\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 1625 4666 \r\nL 2156 4666 \r\nL 531 -594 \r\nL 0 -594 \r\nL 1625 4666 \r\nz\r\n\" id=\"DejaVuSans-2f\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 1228 531 \r\nL 3431 531 \r\nL 3431 0 \r\nL 469 0 \r\nL 469 531 \r\nQ 828 903 1448 1529 \r\nQ 2069 2156 2228 2338 \r\nQ 2531 2678 2651 2914 \r\nQ 2772 3150 2772 3378 \r\nQ 2772 3750 2511 3984 \r\nQ 2250 4219 1831 4219 \r\nQ 1534 4219 1204 4116 \r\nQ 875 4013 500 3803 \r\nL 500 4441 \r\nQ 881 4594 1212 4672 \r\nQ 1544 4750 1819 4750 \r\nQ 2544 4750 2975 4387 \r\nQ 3406 4025 3406 3419 \r\nQ 3406 3131 3298 2873 \r\nQ 3191 2616 2906 2266 \r\nQ 2828 2175 2409 1742 \r\nQ 1991 1309 1228 531 \r\nz\r\n\" id=\"DejaVuSans-32\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 2034 4250 \r\nQ 1547 4250 1301 3770 \r\nQ 1056 3291 1056 2328 \r\nQ 1056 1369 1301 889 \r\nQ 1547 409 2034 409 \r\nQ 2525 409 2770 889 \r\nQ 3016 1369 3016 2328 \r\nQ 3016 3291 2770 3770 \r\nQ 2525 4250 2034 4250 \r\nz\r\nM 2034 4750 \r\nQ 2819 4750 3233 4129 \r\nQ 3647 3509 3647 2328 \r\nQ 3647 1150 3233 529 \r\nQ 2819 -91 2034 -91 \r\nQ 1250 -91 836 529 \r\nQ 422 1150 422 2328 \r\nQ 422 3509 836 4129 \r\nQ 1250 4750 2034 4750 \r\nz\r\n\" id=\"DejaVuSans-30\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_2\">\r\n     <g id=\"line2d_2\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"132.639423\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_2\">\r\n      <!-- 5/1/20 -->\r\n      <g transform=\"translate(116.545673 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 691 4666 \r\nL 3169 4666 \r\nL 3169 4134 \r\nL 1269 4134 \r\nL 1269 2991 \r\nQ 1406 3038 1543 3061 \r\nQ 1681 3084 1819 3084 \r\nQ 2600 3084 3056 2656 \r\nQ 3513 2228 3513 1497 \r\nQ 3513 744 3044 326 \r\nQ 2575 -91 1722 -91 \r\nQ 1428 -91 1123 -41 \r\nQ 819 9 494 109 \r\nL 494 744 \r\nQ 775 591 1075 516 \r\nQ 1375 441 1709 441 \r\nQ 2250 441 2565 725 \r\nQ 2881 1009 2881 1497 \r\nQ 2881 1984 2565 2268 \r\nQ 2250 2553 1709 2553 \r\nQ 1456 2553 1204 2497 \r\nQ 953 2441 691 2322 \r\nL 691 4666 \r\nz\r\n\" id=\"DejaVuSans-35\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_3\">\r\n     <g id=\"line2d_3\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"219.35271\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_3\">\r\n      <!-- 8/9/20 -->\r\n      <g transform=\"translate(203.25896 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2034 2216 \r\nQ 1584 2216 1326 1975 \r\nQ 1069 1734 1069 1313 \r\nQ 1069 891 1326 650 \r\nQ 1584 409 2034 409 \r\nQ 2484 409 2743 651 \r\nQ 3003 894 3003 1313 \r\nQ 3003 1734 2745 1975 \r\nQ 2488 2216 2034 2216 \r\nz\r\nM 1403 2484 \r\nQ 997 2584 770 2862 \r\nQ 544 3141 544 3541 \r\nQ 544 4100 942 4425 \r\nQ 1341 4750 2034 4750 \r\nQ 2731 4750 3128 4425 \r\nQ 3525 4100 3525 3541 \r\nQ 3525 3141 3298 2862 \r\nQ 3072 2584 2669 2484 \r\nQ 3125 2378 3379 2068 \r\nQ 3634 1759 3634 1313 \r\nQ 3634 634 3220 271 \r\nQ 2806 -91 2034 -91 \r\nQ 1263 -91 848 271 \r\nQ 434 634 434 1313 \r\nQ 434 1759 690 2068 \r\nQ 947 2378 1403 2484 \r\nz\r\nM 1172 3481 \r\nQ 1172 3119 1398 2916 \r\nQ 1625 2713 2034 2713 \r\nQ 2441 2713 2670 2916 \r\nQ 2900 3119 2900 3481 \r\nQ 2900 3844 2670 4047 \r\nQ 2441 4250 2034 4250 \r\nQ 1625 4250 1398 4047 \r\nQ 1172 3844 1172 3481 \r\nz\r\n\" id=\"DejaVuSans-38\" transform=\"scale(0.015625)\"/>\r\n        <path d=\"M 703 97 \r\nL 703 672 \r\nQ 941 559 1184 500 \r\nQ 1428 441 1663 441 \r\nQ 2288 441 2617 861 \r\nQ 2947 1281 2994 2138 \r\nQ 2813 1869 2534 1725 \r\nQ 2256 1581 1919 1581 \r\nQ 1219 1581 811 2004 \r\nQ 403 2428 403 3163 \r\nQ 403 3881 828 4315 \r\nQ 1253 4750 1959 4750 \r\nQ 2769 4750 3195 4129 \r\nQ 3622 3509 3622 2328 \r\nQ 3622 1225 3098 567 \r\nQ 2575 -91 1691 -91 \r\nQ 1453 -91 1209 -44 \r\nQ 966 3 703 97 \r\nz\r\nM 1959 2075 \r\nQ 2384 2075 2632 2365 \r\nQ 2881 2656 2881 3163 \r\nQ 2881 3666 2632 3958 \r\nQ 2384 4250 1959 4250 \r\nQ 1534 4250 1286 3958 \r\nQ 1038 3666 1038 3163 \r\nQ 1038 2656 1286 2365 \r\nQ 1534 2075 1959 2075 \r\nz\r\n\" id=\"DejaVuSans-39\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-38\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-39\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_4\">\r\n     <g id=\"line2d_4\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"306.065997\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_4\">\r\n      <!-- 11/17/20 -->\r\n      <g transform=\"translate(283.609747 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 525 4666 \r\nL 3525 4666 \r\nL 3525 4397 \r\nL 1831 0 \r\nL 1172 0 \r\nL 2766 4134 \r\nL 525 4134 \r\nL 525 4666 \r\nz\r\n\" id=\"DejaVuSans-37\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"127.246094\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-31\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-37\"/>\r\n       <use x=\"288.183594\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"385.498047\" xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_5\">\r\n     <g id=\"line2d_5\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"392.779283\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_5\">\r\n      <!-- 2/25/21 -->\r\n      <g transform=\"translate(373.504283 198.716875)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"224.560547\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"321.875\" xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_6\">\r\n     <g id=\"line2d_6\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"479.49257\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_6\">\r\n      <!-- 6/5/21 -->\r\n      <g transform=\"translate(463.39882 198.716875)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2113 2584 \r\nQ 1688 2584 1439 2293 \r\nQ 1191 2003 1191 1497 \r\nQ 1191 994 1439 701 \r\nQ 1688 409 2113 409 \r\nQ 2538 409 2786 701 \r\nQ 3034 994 3034 1497 \r\nQ 3034 2003 2786 2293 \r\nQ 2538 2584 2113 2584 \r\nz\r\nM 3366 4563 \r\nL 3366 3988 \r\nQ 3128 4100 2886 4159 \r\nQ 2644 4219 2406 4219 \r\nQ 1781 4219 1451 3797 \r\nQ 1122 3375 1075 2522 \r\nQ 1259 2794 1537 2939 \r\nQ 1816 3084 2150 3084 \r\nQ 2853 3084 3261 2657 \r\nQ 3669 2231 3669 1497 \r\nQ 3669 778 3244 343 \r\nQ 2819 -91 2113 -91 \r\nQ 1303 -91 875 529 \r\nQ 447 1150 447 2328 \r\nQ 447 3434 972 4092 \r\nQ 1497 4750 2381 4750 \r\nQ 2619 4750 2861 4703 \r\nQ 3103 4656 3366 4563 \r\nz\r\n\" id=\"DejaVuSans-36\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-36\"/>\r\n       <use x=\"63.623047\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"97.314453\" xlink:href=\"#DejaVuSans-35\"/>\r\n       <use x=\"160.9375\" xlink:href=\"#DejaVuSans-2f\"/>\r\n       <use x=\"194.628906\" xlink:href=\"#DejaVuSans-32\"/>\r\n       <use x=\"258.251953\" xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"xtick_7\">\r\n     <g id=\"line2d_7\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"566.205857\" xlink:href=\"#m2e330da247\" y=\"184.118437\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n   </g>\r\n   <g id=\"matplotlib.axis_2\">\r\n    <g id=\"ytick_1\">\r\n     <g id=\"line2d_8\">\r\n      <defs>\r\n       <path d=\"M 0 0 \r\nL -3.5 0 \r\n\" id=\"m723de82b4e\" style=\"stroke:#000000;stroke-width:0.8;\"/>\r\n      </defs>\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"176.558437\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_7\">\r\n      <!-- 0 -->\r\n      <g transform=\"translate(7.2 180.357656)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-30\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_2\">\r\n     <g id=\"line2d_9\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"137.586097\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_8\">\r\n      <!-- 1 -->\r\n      <g transform=\"translate(7.2 141.385316)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-31\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_3\">\r\n     <g id=\"line2d_10\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"98.613756\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_9\">\r\n      <!-- 2 -->\r\n      <g transform=\"translate(7.2 102.412975)scale(0.1 -0.1)\">\r\n       <use xlink:href=\"#DejaVuSans-32\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_4\">\r\n     <g id=\"line2d_11\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"59.641416\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_10\">\r\n      <!-- 3 -->\r\n      <g transform=\"translate(7.2 63.440634)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2597 2516 \r\nQ 3050 2419 3304 2112 \r\nQ 3559 1806 3559 1356 \r\nQ 3559 666 3084 287 \r\nQ 2609 -91 1734 -91 \r\nQ 1441 -91 1130 -33 \r\nQ 819 25 488 141 \r\nL 488 750 \r\nQ 750 597 1062 519 \r\nQ 1375 441 1716 441 \r\nQ 2309 441 2620 675 \r\nQ 2931 909 2931 1356 \r\nQ 2931 1769 2642 2001 \r\nQ 2353 2234 1838 2234 \r\nL 1294 2234 \r\nL 1294 2753 \r\nL 1863 2753 \r\nQ 2328 2753 2575 2939 \r\nQ 2822 3125 2822 3475 \r\nQ 2822 3834 2567 4026 \r\nQ 2313 4219 1838 4219 \r\nQ 1578 4219 1281 4162 \r\nQ 984 4106 628 3988 \r\nL 628 4550 \r\nQ 988 4650 1302 4700 \r\nQ 1616 4750 1894 4750 \r\nQ 2613 4750 3031 4423 \r\nQ 3450 4097 3450 3541 \r\nQ 3450 3153 3228 2886 \r\nQ 3006 2619 2597 2516 \r\nz\r\n\" id=\"DejaVuSans-33\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-33\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"ytick_5\">\r\n     <g id=\"line2d_12\">\r\n      <g>\r\n       <use style=\"stroke:#000000;stroke-width:0.8;\" x=\"20.5625\" xlink:href=\"#m723de82b4e\" y=\"20.669075\"/>\r\n      </g>\r\n     </g>\r\n     <g id=\"text_11\">\r\n      <!-- 4 -->\r\n      <g transform=\"translate(7.2 24.468294)scale(0.1 -0.1)\">\r\n       <defs>\r\n        <path d=\"M 2419 4116 \r\nL 825 1625 \r\nL 2419 1625 \r\nL 2419 4116 \r\nz\r\nM 2253 4666 \r\nL 3047 4666 \r\nL 3047 1625 \r\nL 3713 1625 \r\nL 3713 1100 \r\nL 3047 1100 \r\nL 3047 0 \r\nL 2419 0 \r\nL 2419 1100 \r\nL 313 1100 \r\nL 313 1709 \r\nL 2253 4666 \r\nz\r\n\" id=\"DejaVuSans-34\" transform=\"scale(0.015625)\"/>\r\n       </defs>\r\n       <use xlink:href=\"#DejaVuSans-34\"/>\r\n      </g>\r\n     </g>\r\n    </g>\r\n    <g id=\"text_12\">\r\n     <!-- 1e7 -->\r\n     <g transform=\"translate(20.5625 14.798437)scale(0.1 -0.1)\">\r\n      <defs>\r\n       <path d=\"M 3597 1894 \r\nL 3597 1613 \r\nL 953 1613 \r\nQ 991 1019 1311 708 \r\nQ 1631 397 2203 397 \r\nQ 2534 397 2845 478 \r\nQ 3156 559 3463 722 \r\nL 3463 178 \r\nQ 3153 47 2828 -22 \r\nQ 2503 -91 2169 -91 \r\nQ 1331 -91 842 396 \r\nQ 353 884 353 1716 \r\nQ 353 2575 817 3079 \r\nQ 1281 3584 2069 3584 \r\nQ 2775 3584 3186 3129 \r\nQ 3597 2675 3597 1894 \r\nz\r\nM 3022 2063 \r\nQ 3016 2534 2758 2815 \r\nQ 2500 3097 2075 3097 \r\nQ 1594 3097 1305 2825 \r\nQ 1016 2553 972 2059 \r\nL 3022 2063 \r\nz\r\n\" id=\"DejaVuSans-65\" transform=\"scale(0.015625)\"/>\r\n      </defs>\r\n      <use xlink:href=\"#DejaVuSans-31\"/>\r\n      <use x=\"63.623047\" xlink:href=\"#DejaVuSans-65\"/>\r\n      <use x=\"125.146484\" xlink:href=\"#DejaVuSans-37\"/>\r\n     </g>\r\n    </g>\r\n   </g>\r\n   <g id=\"line2d_13\">\r\n    <path clip-path=\"url(#pd3db0eddf7)\" d=\"M 45.926136 176.558434 \r\nL 97.086976 176.457012 \r\nL 102.289773 176.147735 \r\nL 106.625437 175.683169 \r\nL 121.366696 173.660357 \r\nL 131.77229 172.345118 \r\nL 134.373689 172.007711 \r\nL 153.450612 170.045512 \r\nL 169.059003 168.57378 \r\nL 178.597465 167.398975 \r\nL 182.933129 166.602899 \r\nL 185.534528 166.059082 \r\nL 189.003059 165.262383 \r\nL 190.737325 164.857978 \r\nL 197.674388 162.893005 \r\nL 200.275787 162.072099 \r\nL 204.611451 160.801414 \r\nL 207.21285 160.048904 \r\nL 209.814248 159.288679 \r\nL 212.415647 158.538933 \r\nL 215.884178 157.742693 \r\nL 219.35271 156.890933 \r\nL 222.821241 156.099931 \r\nL 224.555507 155.662322 \r\nL 229.758304 154.64475 \r\nL 239.296766 152.906935 \r\nL 245.366696 151.890279 \r\nL 250.569493 151.002606 \r\nL 255.77229 150.014333 \r\nL 258.373689 149.504525 \r\nL 263.576486 148.513727 \r\nL 266.177885 147.967946 \r\nL 277.450612 145.416755 \r\nL 279.184878 144.92607 \r\nL 280.919143 144.469766 \r\nL 283.520542 143.684212 \r\nL 286.121941 142.799914 \r\nL 288.723339 141.928594 \r\nL 293.059003 140.096317 \r\nL 298.261801 137.244247 \r\nL 299.996066 136.227311 \r\nL 301.730332 135.013322 \r\nL 303.464598 133.655822 \r\nL 305.198864 132.490627 \r\nL 306.933129 131.176445 \r\nL 309.534528 128.957831 \r\nL 311.268794 127.706679 \r\nL 313.003059 126.307778 \r\nL 313.870192 125.869238 \r\nL 314.737325 125.058874 \r\nL 318.205857 122.546526 \r\nL 319.940122 120.885077 \r\nL 321.674388 119.137343 \r\nL 323.408654 117.6733 \r\nL 328.611451 112.511862 \r\nL 330.345717 110.940084 \r\nL 332.947115 108.06246 \r\nL 336.415647 105.034594 \r\nL 338.149913 103.383028 \r\nL 339.017045 103.001566 \r\nL 339.884178 102.11917 \r\nL 341.618444 100.833095 \r\nL 343.35271 99.14127 \r\nL 344.219843 98.223082 \r\nL 345.086976 97.623235 \r\nL 345.954108 96.452265 \r\nL 348.555507 94.005191 \r\nL 350.289773 91.92417 \r\nL 352.024038 89.756434 \r\nL 355.49257 86.30603 \r\nL 358.093969 83.654336 \r\nL 364.163899 78.83587 \r\nL 365.898164 77.73344 \r\nL 368.499563 75.900216 \r\nL 370.233829 74.69569 \r\nL 372.835227 73.283216 \r\nL 376.303759 71.395805 \r\nL 380.639423 69.538917 \r\nL 382.373689 68.810567 \r\nL 392.779283 65.650791 \r\nL 394.513549 65.097481 \r\nL 397.98208 64.186273 \r\nL 400.583479 63.435147 \r\nL 403.184878 62.875282 \r\nL 412.723339 60.456807 \r\nL 414.457605 60.124536 \r\nL 415.324738 59.915302 \r\nL 417.926136 59.011685 \r\nL 429.198864 55.722712 \r\nL 430.933129 55.140477 \r\nL 432.667395 54.686122 \r\nL 437.003059 53.282026 \r\nL 438.737325 52.852449 \r\nL 443.940122 51.530738 \r\nL 447.408654 50.705284 \r\nL 449.14292 50.302661 \r\nL 450.877185 49.991295 \r\nL 460.415647 48.343396 \r\nL 467.35271 47.527343 \r\nL 469.954108 47.287967 \r\nL 474.289773 46.929351 \r\nL 476.891171 46.751513 \r\nL 481.226836 46.475873 \r\nL 508.107955 44.86893 \r\nL 508.975087 44.680924 \r\nL 511.576486 44.485224 \r\nL 514.177885 44.147408 \r\nL 515.045017 43.838319 \r\nL 516.779283 43.740857 \r\nL 520.247815 42.947037 \r\nL 521.114948 42.48265 \r\nL 522.849213 42.322805 \r\nL 524.583479 41.698866 \r\nL 526.317745 41.126202 \r\nL 527.184878 40.367769 \r\nL 528.919143 40.141928 \r\nL 530.653409 39.227898 \r\nL 532.387675 38.43856 \r\nL 533.254808 37.44484 \r\nL 534.989073 37.178596 \r\nL 535.856206 36.459935 \r\nL 537.590472 35.516839 \r\nL 538.457605 35.062636 \r\nL 539.324738 33.929164 \r\nL 541.059003 33.612752 \r\nL 541.926136 32.793557 \r\nL 544.527535 31.214441 \r\nL 545.394668 29.969446 \r\nL 547.128934 29.594482 \r\nL 547.996066 28.698776 \r\nL 549.730332 27.594347 \r\nL 550.597465 26.965602 \r\nL 551.464598 25.707053 \r\nL 553.198864 25.358437 \r\nL 553.198864 25.358437 \r\n\" style=\"fill:none;stroke:#1f77b4;stroke-linecap:square;stroke-width:1.5;\"/>\r\n   </g>\r\n   <g id=\"line2d_14\">\r\n    <path clip-path=\"url(#pd3db0eddf7)\" d=\"M 45.926136 176.558437 \r\nL 113.5625 176.459409 \r\nL 130.905157 176.087963 \r\nL 132.639423 175.919233 \r\nL 136.107955 175.818778 \r\nL 140.443619 175.715976 \r\nL 143.045017 175.609734 \r\nL 148.247815 175.430609 \r\nL 149.98208 175.395433 \r\nL 150.849213 175.193879 \r\nL 167.324738 174.479248 \r\nL 180.331731 173.972381 \r\nL 185.534528 173.71348 \r\nL 186.401661 173.510917 \r\nL 187.268794 173.478048 \r\nL 188.135927 173.073044 \r\nL 195.940122 172.53673 \r\nL 203.744318 171.839476 \r\nL 213.28278 170.834613 \r\nL 214.149913 170.660184 \r\nL 215.017045 170.599648 \r\nL 216.751311 170.328226 \r\nL 219.35271 170.101251 \r\nL 220.219843 170.047114 \r\nL 222.821241 169.642219 \r\nL 240.163899 167.860758 \r\nL 241.898164 167.659283 \r\nL 257.506556 166.242619 \r\nL 287.856206 162.966187 \r\nL 298.261801 161.431359 \r\nL 303.464598 160.39098 \r\nL 304.331731 160.287937 \r\nL 306.065997 159.825117 \r\nL 309.534528 158.905136 \r\nL 310.401661 158.917557 \r\nL 311.268794 158.500214 \r\nL 312.135927 158.254439 \r\nL 313.003059 157.711585 \r\nL 313.870192 157.574219 \r\nL 315.604458 156.982385 \r\nL 316.471591 156.81883 \r\nL 326.010052 153.233308 \r\nL 326.877185 152.647683 \r\nL 327.744318 152.213956 \r\nL 328.611451 152.013338 \r\nL 329.478584 176.558437 \r\nL 553.198864 176.558437 \r\nL 553.198864 176.558437 \r\n\" style=\"fill:none;stroke:#ff7f0e;stroke-linecap:square;stroke-width:1.5;\"/>\r\n   </g>\r\n   <g id=\"patch_3\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 20.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_4\">\r\n    <path d=\"M 578.5625 184.118437 \r\nL 578.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_5\">\r\n    <path d=\"M 20.5625 184.118437 \r\nL 578.5625 184.118437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n   <g id=\"patch_6\">\r\n    <path d=\"M 20.5625 17.798437 \r\nL 578.5625 17.798437 \r\n\" style=\"fill:none;stroke:#000000;stroke-linecap:square;stroke-linejoin:miter;stroke-width:0.8;\"/>\r\n   </g>\r\n  </g>\r\n </g>\r\n <defs>\r\n  <clipPath id=\"pd3db0eddf7\">\r\n   <rect height=\"166.32\" width=\"558\" x=\"20.5625\" y=\"17.798437\"/>\r\n  </clipPath>\r\n </defs>\r\n</svg>\r\n",
+      "image/png": "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",
       "text/plain": [
-       "<Figure size 1000x300 with 1 Axes>"
+       "<Figure size 640x480 with 1 Axes>"
       ]
      },
-     "metadata": {},
-     "output_type": "display_data"
+     "metadata": {}
     }
    ],
    "source": [
-    "infected.loc['US'][2:].plot()\n",
-    "recovered.loc['US'][2:].plot()\n",
+    "infected.loc['US'][3:].plot()\n",
+    "recovered.loc['US'][3:].plot()\n",
     "plt.show()"
    ]
   },
@@ -1604,7 +1607,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "> **Примечание** как мы используем `[2:]`, чтобы удалить первые два элемента последовательности, содержащие геолокацию страны. Мы также можем полностью удалить эти два столбца:\n"
+    "> **Примечание** обратите внимание, как мы используем `[3:]`, чтобы удалить первые три элемента последовательности, которые содержат метаданные, не связанные с датой (колонки Провинция/Штат и геолокация). Мы также можем полностью исключить эти три столбца:\n"
    ]
   },
   {
@@ -1613,9 +1616,9 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "infected.drop(columns=['Lat','Long'],inplace=True)\n",
-    "recovered.drop(columns=['Lat','Long'],inplace=True)\n",
-    "deaths.drop(columns=['Lat','Long'],inplace=True)"
+    "infected.drop(columns=['Lat','Long','Province/State'],inplace=True)\n",
+    "recovered.drop(columns=['Lat','Long','Province/State'],inplace=True)\n",
+    "deaths.drop(columns=['Lat','Long','Province/State'],inplace=True)"
    ]
   },
   {
@@ -1624,7 +1627,7 @@
    "source": [
     "## Исследование данных\n",
     "\n",
-    "Теперь перейдем к изучению конкретной страны. Давайте создадим фрейм, содержащий данные о заражениях, индексированные по датам:\n"
+    "Теперь давайте переключимся на изучение конкретной страны. Давайте создадим фрейм, который содержит данные о заражениях с индексом по дате:\n"
    ]
   },
   {
@@ -1754,7 +1757,7 @@
    ],
    "source": [
     "def mkframe(country):\n",
-    "    df = pd.DataFrame({ 'infected' : infected.loc[country] ,\n",
+    "    df = pd.DataFrame({ 'infected' : infected.loc[country],\n",
     "                        'recovered' : recovered.loc[country],\n",
     "                        'deaths' : deaths.loc[country]})\n",
     "    df.index = pd.to_datetime(df.index)\n",
@@ -1790,7 +1793,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Теперь давайте вычислим количество новых зараженных людей каждый день. Это позволит нам увидеть скорость распространения пандемии. Самый простой способ сделать это — использовать `diff`:\n"
+    "Теперь давайте вычислим количество новых инфицированных каждый день. Это позволит нам увидеть скорость, с которой прогрессирует пандемия. Самый простой способ сделать это — использовать `diff`:\n"
    ]
   },
   {
@@ -1820,7 +1823,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Мы можем видеть большие колебания в данных. Давайте посмотрим поближе на один из месяцев:\n"
+    "Мы можем увидеть большие колебания в данных. Давайте рассмотрим один из месяцев подробнее:\n"
    ]
   },
   {
@@ -1849,7 +1852,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Очевидно, что в данных наблюдаются еженедельные колебания. Поскольку мы хотим видеть тенденции, имеет смысл сгладить кривую, вычисляя скользящее среднее (т.е. для каждого дня мы будем вычислять среднее значение за несколько предыдущих дней):\n"
+    "Очевидно, что в данных наблюдаются еженедельные колебания. Поскольку мы хотим видеть тенденции, имеет смысл сгладить кривую, вычисляя скользящее среднее (т.е. для каждого дня мы будем вычислять среднее значение за предыдущие несколько дней):\n"
    ]
   },
   {
@@ -1879,7 +1882,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Чтобы иметь возможность сравнивать несколько стран, мы могли бы учитывать население страны и сравнивать процент инфицированных людей относительно населения страны. Чтобы получить данные о населении стран, давайте загрузим набор данных о странах:\n"
+    "Чтобы иметь возможность сравнивать несколько стран, мы можем учесть население страны и сравнить процент инфицированных людей относительно населения страны. Чтобы получить население страны, давайте загрузим набор данных о странах:\n"
    ]
   },
   {
@@ -2260,12 +2263,12 @@
    "source": [
     "## Вычисление $R_t$\n",
     "\n",
-    "Чтобы понять, насколько заразна болезнь, мы рассматриваем **базовое репродуктивное число** $R_0$, которое показывает, сколько людей может заразить один инфицированный человек. Если $R_0$ больше 1, эпидемия, скорее всего, будет распространяться.\n",
+    "Чтобы понять, насколько заразна болезнь, мы смотрим на **базовое репродуктивное число** $R_0$, которое показывает, сколько человек в среднем заразит один инфицированный. Когда $R_0$ больше 1, эпидемия, вероятно, будет распространяться.\n",
     "\n",
-    "$R_0$ является характеристикой самой болезни и не учитывает защитные меры, которые люди могут предпринимать для замедления пандемии. В ходе развития пандемии мы можем оценить репродуктивное число $R_t$ в любой момент времени $t$. Было показано, что это число можно примерно оценить, взяв окно в 8 дней и вычислив $$R_t=\\frac{I_{t-7}+I_{t-6}+I_{t-5}+I_{t-4}}{I_{t-3}+I_{t-2}+I_{t-1}+I_t}$$\n",
-    "где $I_t$ — это количество новых случаев заражения в день $t$.\n",
+    "$R_0$ — это характеристика самой болезни и не учитывает некоторые меры защиты, которые люди могут принимать для замедления пандемии. По мере развития пандемии мы можем оценить репродуктивное число $R_t$ в любой момент времени $t$. Было показано, что это число можно примерно оценить, взяв окно в 8 дней и вычислив $$R_t=\\frac{I_{t-7}+I_{t-6}+I_{t-5}+I_{t-4}}{I_{t-3}+I_{t-2}+I_{t-1}+I_t}$$\n",
+    "где $I_t$ — количество новых инфицированных в день $t$.\n",
     "\n",
-    "Давайте вычислим $R_t$ для наших данных о пандемии. Для этого мы возьмем скользящее окно из 8 значений `ninfected` и применим функцию для вычисления указанного выше соотношения:\n"
+    "Давайте вычислим $R_t$ для наших данных по пандемии. Для этого мы возьмём скользящее окно из 8 значений `ninfected` и применим функцию для вычисления указанного выше отношения:\n"
    ]
   },
   {
@@ -2295,9 +2298,9 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Вы можете заметить, что на графике есть некоторые пробелы. Они могут быть вызваны либо значениями `NaN`, либо наличием значений `inf` в наборе данных. `inf` может появляться из-за деления на 0, а `NaN` может указывать на отсутствие данных или на то, что данных недостаточно для вычисления результата (например, в самом начале нашего кадра, где окно шириной 8 еще недоступно). Чтобы сделать график более аккуратным, нам нужно заполнить эти значения, используя функции `replace` и `fillna`.\n",
+    "Вы можете видеть, что на графике есть некоторые пропуски. Они могут быть вызваны либо значениями `NaN`, либо присутствием в наборе данных значений `inf`. `inf` может возникать из-за деления на 0, а `NaN` может означать отсутствие данных или отсутствие доступных данных для вычисления результата (например, в самом начале нашего фрейма, где еще нет доступного скользящего окна шириной 8). Чтобы сделать график более аккуратным, нам нужно заполнить эти значения с помощью функций `replace` и `fillna`.\n",
     "\n",
-    "Давайте подробнее рассмотрим начало пандемии. Мы также ограничим значения по оси y, чтобы отображались только значения ниже 6, чтобы улучшить видимость, и проведем горизонтальную линию на уровне 1.\n"
+    "Давайте подробнее рассмотрим начало пандемии. Мы также ограничим значения по оси y, чтобы показать только значения ниже 6, для лучшей наглядности, и нарисуем горизонтальную линию на уровне 1.\n"
    ]
   },
   {
@@ -2327,7 +2330,9 @@
   {
    "cell_type": "markdown",
    "metadata": {},
-   "source": []
+   "source": [
+    "Еще одним интересным показателем пандемии является **производная**, или **ежедневная разница** в новых случаях. Это позволяет нам ясно видеть, когда пандемия растет или уменьшается.\n"
+   ]
   },
   {
    "cell_type": "code",
@@ -2355,7 +2360,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Учитывая тот факт, что в данных наблюдается множество колебаний, вызванных отчетностью, имеет смысл сгладить кривую, используя скользящее среднее, чтобы получить общую картину. Давайте снова сосредоточимся на первых месяцах пандемии:\n"
+    "Учитывая, что в данных наблюдается множество колебаний, вызванных отчетностью, имеет смысл сгладить кривую, проведя скользящее среднее, чтобы получить общую картину. Давайте снова сосредоточимся на первых месяцах пандемии:\n"
    ]
   },
   {
@@ -2387,24 +2392,24 @@
    "source": [
     "## Задача\n",
     "\n",
-    "Теперь пришло время поработать с кодом и данными! Вот несколько предложений, которые вы можете попробовать:\n",
-    "* Посмотрите, как распространяется пандемия в разных странах.\n",
-    "* Постройте графики $R_t$ для нескольких стран на одном графике для сравнения или создайте несколько графиков рядом.\n",
-    "* Исследуйте, как количество смертей и выздоровлений коррелирует с количеством зараженных случаев.\n",
-    "* Попробуйте выяснить, сколько длится типичное заболевание, визуально сопоставляя скорость заражения и уровень смертности, и ищите аномалии. Возможно, вам придется изучить данные по разным странам, чтобы это выяснить.\n",
-    "* Рассчитайте уровень смертности и то, как он изменяется со временем. Возможно, вам потребуется учитывать продолжительность болезни в днях, чтобы сдвинуть одну временную серию перед выполнением расчетов.\n"
+    "Теперь пора поиграть с кодом и данными! Вот несколько предложений, с которыми вы можете поэкспериментировать:\n",
+    "* Посмотрите распространение пандемии в разных странах.\n",
+    "* Постройте графики $R_t$ для нескольких стран на одном графике для сравнения или сделайте несколько графиков рядом.\n",
+    "* Посмотрите, как количество смертей и выздоровлений коррелирует с числом заражённых случаев.\n",
+    "* Попробуйте узнать, сколько в среднем длится заболевание, визуально сопоставляя скорость заражения и скорость смертей, а также ищите аномалии. Возможно, вам придётся взглянуть на разные страны, чтобы это выяснить.\n",
+    "* Рассчитайте уровень смертности и как он меняется со временем. Возможно, стоит учесть длительность болезни в днях, чтобы сместить один временной ряд перед вычислениями.\n"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "## Ссылки\n",
+    "## References\n",
     "\n",
-    "Вы можете ознакомиться с дополнительными исследованиями распространения эпидемии COVID в следующих публикациях:\n",
-    "* [Модель Sliding SIR для оценки Rt во время пандемии COVID](https://soshnikov.com/science/sliding-sir-model-for-rt-estimation/), блог Дмитрия Сошникова ([Dmitry Soshnikov](http://soshnikov.com))\n",
-    "* Т.Петрова, Д.Сошников, А.Грунин. [Оценка временно-зависимого коэффициента воспроизводства для глобальной вспышки COVID-19](https://www.preprints.org/manuscript/202006.0289/v1). *Preprints* **2020**, 2020060289 (doi: 10.20944/preprints202006.0289.v1)\n",
-    "* [Код для вышеуказанной статьи на GitHub](https://github.com/shwars/SlidingSIR)\n"
+    "You may look at further studies of COVID epidemic spread in the following publications:\n",
+    "* [Sliding SIR Model for Rt Estimation during COVID Pandemic](https://soshnikov.com/science/sliding-sir-model-for-rt-estimation/), blog post by [Dmitry Soshnikov](http://soshnikov.com)\n",
+    "* T.Petrova, D.Soshnikov, A.Grunin. [Estimation of Time-Dependent Reproduction Number for Global COVID-19 Outbreak](https://www.preprints.org/manuscript/202006.0289/v1). *Preprints* **2020**, 2020060289 (doi: 10.20944/preprints202006.0289.v1)\n",
+    "* [Code for the above paper on GitHub](https://github.com/shwars/SlidingSIR)\n"
    ]
   },
   {
@@ -2418,7 +2423,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "\n---\n\n**Отказ от ответственности**:  \nЭтот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.\n"
+    "---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Отказ от ответственности**:  \nЭтот документ был переведён с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, учитывайте, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на языке оригинала следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неверные толкования, возникшие в результате использования данного перевода.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
    ]
   }
  ],
@@ -2442,13 +2447,7 @@
    "pygments_lexer": "ipython3",
    "version": "3.8.8"
   },
-  "orig_nbformat": 4,
-  "coopTranslator": {
-   "original_hash": "68a0ada1dae45c7d1d3519aa0a6d1a0f",
-   "translation_date": "2025-09-02T06:36:48+00:00",
-   "source_file": "2-Working-With-Data/07-python/notebook-covidspread.ipynb",
-   "language_code": "ru"
-  }
+  "orig_nbformat": 4
  },
  "nbformat": 4,
  "nbformat_minor": 2
diff --git a/translations/ru/2-Working-With-Data/README.md b/translations/ru/2-Working-With-Data/README.md
index 7d331ae6..06b86118 100644
--- a/translations/ru/2-Working-With-Data/README.md
+++ b/translations/ru/2-Working-With-Data/README.md
@@ -1,6 +1,6 @@
 # Работа с данными
 
-![data love](../../../translated_images/ru/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.jpg)
+![data love](../../../translated_images/ru/data-love.a22ef29e6742c852.webp)
 > Фото <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Александра Синна</a> на <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
   
 В этих уроках вы узнаете о различных способах управления, обработки и использования данных в приложениях. Вы познакомитесь с реляционными и нереляционными базами данных и узнаете, как данные могут храниться в них. Вы изучите основы работы с Python для управления данными и откроете для себя множество способов использования Python для обработки и анализа данных.
diff --git a/translations/ru/3-Data-Visualization/12-visualization-relationships/README.md b/translations/ru/3-Data-Visualization/12-visualization-relationships/README.md
index 7bd1d6f8..57230aef 100644
--- a/translations/ru/3-Data-Visualization/12-visualization-relationships/README.md
+++ b/translations/ru/3-Data-Visualization/12-visualization-relationships/README.md
@@ -42,7 +42,7 @@ honey.head()
 ```python
 sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
 ```
-![scatterplot 1](../../../../translated_images/ru/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.png)
+![scatterplot 1](../../../../translated_images/ru/scatter1.5e1aa5fd6706c5d1.webp)
 
 Теперь покажите те же данные с цветовой схемой, напоминающей цвет мёда, чтобы отобразить, как цена меняется год за годом. Вы можете сделать это, добавив параметр 'hue', чтобы показать изменения:
 
@@ -51,7 +51,7 @@ sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
 ```python
 sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
 ```
-![scatterplot 2](../../../../translated_images/ru/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.png)
+![scatterplot 2](../../../../translated_images/ru/scatter2.c0041a58621ca702.webp)
 
 С изменением цветовой схемы становится очевидным, что цена за фунт мёда значительно увеличивается с годами. Если вы проверите это на выборке данных (например, выберите штат Аризона), вы увидите закономерность роста цен год за годом, за редкими исключениями:
 
@@ -80,7 +80,7 @@ sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspec
 ```
 Вы можете заметить, как размер точек постепенно увеличивается.
 
-![scatterplot 3](../../../../translated_images/ru/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.png)
+![scatterplot 3](../../../../translated_images/ru/scatter3.3c160a3d1dcb36b3.webp)
 
 Это простой случай спроса и предложения? Из-за таких факторов, как изменение климата и разрушение колоний, становится ли мёда меньше с каждым годом, что приводит к росту цен?
 
@@ -95,7 +95,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
 ```
 Ответ: Да, с некоторыми исключениями около 2003 года:
 
-![line chart 1](../../../../translated_images/ru/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.png)
+![line chart 1](../../../../translated_images/ru/line1.f36eb465229a3b1f.webp)
 
 ✅ Поскольку Seaborn агрегирует данные в одну линию, он отображает "несколько измерений для каждого значения x, строя среднее значение и 95% доверительный интервал вокруг среднего". [Источник](https://seaborn.pydata.org/tutorial/relational.html). Это трудоёмкое поведение можно отключить, добавив `ci=None`.
 
@@ -105,7 +105,7 @@ sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
 sns.relplot(x="year", y="totalprod", kind="line", data=honey);
 ```
 
-![line chart 2](../../../../translated_images/ru/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.png)
+![line chart 2](../../../../translated_images/ru/line2.a5b3493dc01058af.webp)
 
 Ответ: Не совсем. Если посмотреть на общий объём производства, он, наоборот, кажется увеличившимся в этот год, хотя в целом объём производства мёда снижается в течение этих лет.
 
@@ -130,7 +130,7 @@ sns.relplot(
 ```
 В этой визуализации вы можете сравнить урожайность на колонию и количество колоний год за годом, рядом друг с другом, с wrap, установленным на 3 для столбцов:
 
-![facet grid](../../../../translated_images/ru/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.png)
+![facet grid](../../../../translated_images/ru/facet.6a34851dcd540050.webp)
 
 Для этого набора данных ничего особенно не выделяется в отношении количества колоний и их урожайности год за годом и штат за штатом. Есть ли другой способ найти корреляцию между этими двумя переменными?
 
@@ -153,7 +153,7 @@ sns.despine(right=False)
 plt.ylabel('colony yield')
 ax.figure.legend();
 ```
-![superimposed plots](../../../../translated_images/ru/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.png)
+![superimposed plots](../../../../translated_images/ru/dual-line.a4c28ce659603fab.webp)
 
 Хотя ничего явно не выделяется около 2003 года, это позволяет завершить урок на более позитивной ноте: несмотря на общее снижение количества колоний, их число стабилизируется, даже если урожайность на колонию уменьшается.
 
diff --git a/translations/ru/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/ru/3-Data-Visualization/R/09-visualization-quantities/README.md
index 28844d74..34fccb33 100644
--- a/translations/ru/3-Data-Visualization/R/09-visualization-quantities/README.md
+++ b/translations/ru/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -57,7 +57,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 ```  
 Здесь вы устанавливаете пакет `ggplot2`, а затем импортируете его в рабочую область с помощью команды `library("ggplot2")`. Для построения любого графика в ggplot используется функция `ggplot()`, где вы указываете набор данных, переменные x и y в качестве атрибутов. В данном случае мы используем функцию `geom_line()`, так как хотим построить линейный график.
 
-![MaxWingspan-lineplot](../../../../../translated_images/ru/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.png)
+![MaxWingspan-lineplot](../../../../../translated_images/ru/MaxWingspan-lineplot.b12169f99d26fdd2.webp)
 
 Что вы замечаете сразу? Кажется, есть как минимум один выброс — это впечатляющий размах крыльев! Размах крыльев более 2000 сантиметров равен более чем 20 метрам — неужели в Миннесоте летают птеродактили? Давайте разберемся.
 
@@ -75,7 +75,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 ```  
 Мы задаем угол в `theme` и указываем подписи осей x и y в `xlab()` и `ylab()` соответственно. Функция `ggtitle()` задает название графика.
 
-![MaxWingspan-lineplot-improved](../../../../../translated_images/ru/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.png)
+![MaxWingspan-lineplot-improved](../../../../../translated_images/ru/MaxWingspan-lineplot-improved.04b73b4d5a59552a.webp)
 
 Даже с поворотом подписей на 45 градусов их слишком много, чтобы прочитать. Попробуем другой подход: подпишем только выбросы и разместим подписи внутри графика. Вы можете использовать точечный график, чтобы освободить место для подписей:
 
@@ -91,7 +91,7 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
 
 Что вы обнаруживаете?
 
-![MaxWingspan-scatterplot](../../../../../translated_images/ru/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.png)
+![MaxWingspan-scatterplot](../../../../../translated_images/ru/MaxWingspan-scatterplot.60dc9e0e19d32700.webp)
 
 ## Фильтрация данных
 
@@ -110,7 +110,7 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
 ```  
 Мы создали новый датафрейм `birds_filtered`, а затем построили точечный график. Исключив выбросы, ваши данные стали более согласованными и понятными.
 
-![MaxWingspan-scatterplot-improved](../../../../../translated_images/ru/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.png)
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/ru/MaxWingspan-scatterplot-improved.7d0af81658c65f3e.webp)
 
 Теперь, когда у нас есть более чистый набор данных, по крайней мере, в отношении размаха крыльев, давайте узнаем больше об этих птицах.
 
@@ -152,7 +152,7 @@ birds_filtered %>% group_by(Category) %>%
 ```  
 В следующем фрагменте мы устанавливаем пакеты [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) и [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), чтобы помочь манипулировать и группировать данные для построения составной столбчатой диаграммы. Сначала вы группируете данные по `Category` птиц, а затем суммируете столбцы `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Затем строите столбчатую диаграмму с помощью пакета `ggplot2`, указывая цвета для разных категорий и подписи.
 
-![Stacked bar chart](../../../../../translated_images/ru/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.png)
+![Stacked bar chart](../../../../../translated_images/ru/stacked-bar-chart.0c92264e89da7b39.webp)
 
 Эта столбчатая диаграмма, однако, нечитаема из-за слишком большого количества негруппированных данных. Вам нужно выбрать только те данные, которые вы хотите отобразить, поэтому давайте посмотрим на длину птиц в зависимости от их категории.
 
@@ -167,7 +167,7 @@ ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
 ```  
 Сначала вы подсчитываете уникальные значения в столбце `Category`, а затем сортируете их в новый датафрейм `birds_count`. Эти отсортированные данные затем учитываются на том же уровне, чтобы они были построены в отсортированном порядке. Используя `ggplot2`, вы затем строите данные в виде столбчатой диаграммы. Функция `coord_flip()` строит горизонтальные столбцы.
 
-![category-length](../../../../../translated_images/ru/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.png)
+![category-length](../../../../../translated_images/ru/category-length.7e34c296690e85d6.webp)
 
 Эта столбчатая диаграмма дает хороший обзор количества птиц в каждой категории. С первого взгляда видно, что наибольшее количество птиц в этом регионе относится к категории Утки/Гуси/Водоплавающие. Миннесота — это "земля 10,000 озер", так что это неудивительно!
 
@@ -190,7 +190,7 @@ ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_fl
 ```  
 Мы группируем данные `birds_filtered` по `Category`, а затем строим столбчатую диаграмму.
 
-![comparing data](../../../../../translated_images/ru/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.png)
+![comparing data](../../../../../translated_images/ru/comparingdata.f486a450d61c7ca5.webp)
 
 Здесь ничего удивительного: колибри имеют наименьший MaxLength по сравнению с пеликанами или гусями. Хорошо, когда данные логически понятны!
 
@@ -202,7 +202,7 @@ ggplot(data=birds_grouped, aes(x=Category)) +
   geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
   coord_flip()
 ```  
-![super-imposed values](../../../../../translated_images/ru/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.png)
+![super-imposed values](../../../../../translated_images/ru/superimposed-values.5363f0705a1da416.webp)
 
 ## 🚀 Задание
 
diff --git a/translations/ru/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/ru/3-Data-Visualization/R/10-visualization-distributions/README.md
index 5bc0729b..9f0ab32a 100644
--- a/translations/ru/3-Data-Visualization/R/10-visualization-distributions/README.md
+++ b/translations/ru/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -36,7 +36,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
   geom_point() +
   ggtitle("Max Length per order") + coord_flip()
 ```
-![максимальная длина по отрядам](../../../../../translated_images/ru/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.png)
+![максимальная длина по отрядам](../../../../../translated_images/ru/max-length-per-order.e5b283d952c78c12.webp)
 
 Это дает обзор общего распределения длины тела по отрядам птиц, но это не оптимальный способ отображения истинных распределений. Для этой задачи обычно создается гистограмма.
 
@@ -48,7 +48,7 @@ ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
 ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
   geom_histogram(bins=10)+ylab('Frequency')
 ```
-![распределение по всему набору данных](../../../../../translated_images/ru/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.png)
+![распределение по всему набору данных](../../../../../translated_images/ru/distribution-over-the-entire-dataset.d22afd3fa96be854.webp)
 
 Как видно, большинство из 400+ птиц в этом наборе данных имеют Max Body Mass менее 2000. Получите больше информации о данных, изменив параметр `bins` на большее число, например, 30:
 
@@ -56,7 +56,7 @@ ggplot(data = birds_filtered, aes(x = MaxBodyMass)) +
 ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
 ```
 
-![распределение-30 интервалов](../../../../../translated_images/ru/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.png)
+![распределение-30 интервалов](../../../../../translated_images/ru/distribution-30bins.6a3921ea7a421bf7.webp)
 
 Эта диаграмма показывает распределение в более детализированном виде. Менее смещенную влево диаграмму можно создать, выбрав данные только в заданном диапазоне:
 
@@ -68,7 +68,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
   geom_histogram(bins=30)+ylab('Frequency')
 ```
 
-![отфильтрованная гистограмма](../../../../../translated_images/ru/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.png)
+![отфильтрованная гистограмма](../../../../../translated_images/ru/filtered-histogram.6bf5d2bfd8253322.webp)
 
 ✅ Попробуйте другие фильтры и точки данных. Чтобы увидеть полное распределение данных, удалите фильтр `['MaxBodyMass']`, чтобы показать распределения с метками.
 
@@ -82,7 +82,7 @@ ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
 ```
 Кажется, существует ожидаемая корреляция между этими двумя элементами вдоль ожидаемой оси, с одной особенно сильной точкой сходимости:
 
-![2D диаграмма](../../../../../translated_images/ru/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.png)
+![2D диаграмма](../../../../../translated_images/ru/2d-plot.c504786f439bd7eb.webp)
 
 Гистограммы хорошо работают по умолчанию для числовых данных. А что, если вам нужно увидеть распределения по текстовым данным? 
 ## Исследуем набор данных для распределений с использованием текстовых данных 
@@ -113,7 +113,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
   scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
 ```
 
-![размах крыльев и статус сохранности](../../../../../translated_images/ru/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.png)
+![размах крыльев и статус сохранности](../../../../../translated_images/ru/wingspan-conservation-collation.4024e9aa6910866a.webp)
 
 Не кажется, что существует хорошая корреляция между минимальным размахом крыльев и статусом сохранности. Проверьте другие элементы набора данных, используя этот метод. Вы можете попробовать разные фильтры. Найдете ли вы какую-либо корреляцию?
 
@@ -127,7 +127,7 @@ ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
 ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
   geom_density()
 ```
-![плотностный график](../../../../../translated_images/ru/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.png)
+![плотностный график](../../../../../translated_images/ru/density-plot.675ccf865b76c690.webp)
 
 Вы можете увидеть, как график повторяет предыдущий для данных о минимальном размахе крыльев; он просто немного более плавный. Если вы захотите вернуться к той зубчатой линии MaxBodyMass на втором графике, который вы построили, вы сможете сгладить ее, используя этот метод:
 
@@ -135,7 +135,7 @@ ggplot(data = birds_filtered_1, aes(x = MinWingspan)) +
 ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
   geom_density()
 ```
-![плотность массы тела](../../../../../translated_images/ru/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.png)
+![плотность массы тела](../../../../../translated_images/ru/bodymass-smooth.d31ce526d82b0a1f.webp)
 
 Если вы хотите получить плавную, но не слишком плавную линию, измените параметр `adjust`: 
 
@@ -143,7 +143,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
 ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
   geom_density(adjust = 1/5)
 ```
-![менее плавная масса тела](../../../../../translated_images/ru/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.png)
+![менее плавная масса тела](../../../../../translated_images/ru/less-smooth-bodymass.10f4db8b683cc17d.webp)
 
 ✅ Прочитайте о доступных параметрах для этого типа графика и экспериментируйте!
 
@@ -153,7 +153,7 @@ ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) +
 ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
   geom_density(alpha=0.5)
 ```
-![масса тела по отрядам](../../../../../translated_images/ru/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.png)
+![масса тела по отрядам](../../../../../translated_images/ru/bodymass-per-order.9d2b065dd931b928.webp)
 
 ## 🚀 Задание
 
diff --git a/translations/ru/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/ru/3-Data-Visualization/R/11-visualization-proportions/README.md
index ebd8fcfa..82d34d7a 100644
--- a/translations/ru/3-Data-Visualization/R/11-visualization-proportions/README.md
+++ b/translations/ru/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -84,7 +84,7 @@ pie(grouped$count,grouped$class, main="Edible?")
 ```
 Вуаля, круговая диаграмма, показывающая пропорции данных в соответствии с двумя классами грибов. Очень важно правильно указать порядок меток, особенно здесь, поэтому обязательно проверьте порядок, в котором создается массив меток!
 
-![круговая диаграмма](../../../../../translated_images/ru/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.png)
+![круговая диаграмма](../../../../../translated_images/ru/pie1-wb.685df063673751f4.webp)
 
 ## Пончики!
 
@@ -118,7 +118,7 @@ library(webr)
 PieDonut(habitat, aes(habitat, count=count))
 ```
 
-![диаграмма в виде пончика](../../../../../translated_images/ru/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.png)
+![диаграмма в виде пончика](../../../../../translated_images/ru/donut-wb.34e6fb275da9d834.webp)
 
 Этот код использует две библиотеки - ggplot2 и webr. С помощью функции PieDonut из библиотеки webr можно легко создать диаграмму в виде пончика!
 
@@ -156,7 +156,7 @@ waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual
 
 С помощью вафельной диаграммы вы можете четко увидеть пропорции цветов шляпок грибов в этом наборе данных. Интересно, что есть много грибов с зелеными шляпками!
 
-![вафельная диаграмма](../../../../../translated_images/ru/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.png)
+![вафельная диаграмма](../../../../../translated_images/ru/waffle.aaa75c5337735a6e.webp)
 
 В этом уроке вы узнали три способа визуализации пропорций. Сначала нужно сгруппировать данные в категории, а затем решить, какой способ отображения данных — круг, пончик или вафля — подходит лучше всего. Все они аппетитны и дают пользователю мгновенное представление о наборе данных.
 
diff --git a/translations/ru/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/ru/3-Data-Visualization/R/12-visualization-relationships/README.md
index 0ea5943c..b1ea0898 100644
--- a/translations/ru/3-Data-Visualization/R/12-visualization-relationships/README.md
+++ b/translations/ru/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -42,7 +42,7 @@ library(ggplot2)
 ggplot(honey, aes(x = priceperlb, y = state)) +
   geom_point(colour = "blue")
 ```
-![scatterplot 1](../../../../../translated_images/ru/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.png)
+![scatterplot 1](../../../../../translated_images/ru/scatter1.86b8900674d88b26.webp)
 
 Теперь покажите те же данные с цветовой схемой, напоминающей цвет мёда, чтобы отобразить, как цена меняется год за годом. Вы можете сделать это, добавив параметр 'scale_color_gradientn', чтобы показать изменения:
 
@@ -52,7 +52,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
 ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
   geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
 ```
-![scatterplot 2](../../../../../translated_images/ru/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.png)
+![scatterplot 2](../../../../../translated_images/ru/scatter2.4d1cbc693bad20e2.webp)
 
 С изменением цветовой схемы становится очевидным, что цена за фунт мёда значительно увеличивается с течением времени. Если вы проверите выборку данных (например, для штата Аризона), вы увидите закономерность увеличения цен год за годом, с редкими исключениями:
 
@@ -83,7 +83,7 @@ ggplot(honey, aes(x = priceperlb, y = state)) +
 ```
 Вы можете заметить, как размер точек постепенно увеличивается.
 
-![scatterplot 3](../../../../../translated_images/ru/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.png)
+![scatterplot 3](../../../../../translated_images/ru/scatter3.722d21e6f20b3ea2.webp)
 
 Это простой случай спроса и предложения? Из-за таких факторов, как изменение климата и разрушение колоний, становится ли мёда меньше с каждым годом, что приводит к увеличению цены?
 
@@ -98,7 +98,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
 ```
 Ответ: Да, с некоторыми исключениями около 2003 года:
 
-![line chart 1](../../../../../translated_images/ru/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.png)
+![line chart 1](../../../../../translated_images/ru/line1.299b576fbb2a59e6.webp)
 
 Вопрос: А в 2003 году можно ли также увидеть всплеск предложения мёда? Что если посмотреть на общий объём производства год за годом?
 
@@ -106,7 +106,7 @@ qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab
 qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
 ```
 
-![line chart 2](../../../../../translated_images/ru/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.png)
+![line chart 2](../../../../../translated_images/ru/line2.3b18fcda7176ceba.webp)
 
 Ответ: Не совсем. Если посмотреть на общий объём производства, он, наоборот, кажется увеличившимся в этот год, хотя в целом объём производства мёда снижается в течение этих лет.
 
@@ -126,7 +126,7 @@ ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) +
 ```
 В этой визуализации вы можете сравнить урожайность на одну колонию и количество колоний год за годом, бок о бок, с настройкой wrap на 3 для столбцов:
 
-![facet grid](../../../../../translated_images/ru/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.png)
+![facet grid](../../../../../translated_images/ru/facet.491ad90d61c2a7cc.webp)
 
 Для этого набора данных ничего особенно не выделяется в отношении количества колоний и их урожайности год за годом и штат за штатом. Можно ли найти другой способ выявить корреляцию между этими двумя переменными?
 
@@ -143,7 +143,7 @@ plot(honey$year, honey$yieldpercol, pch = 17, col = 3,
 axis(side = 4, at = pretty(range(y2)))      
 mtext("colony yield", side = 4, line = 3)   
 ```
-![superimposed plots](../../../../../translated_images/ru/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.png)
+![superimposed plots](../../../../../translated_images/ru/dual-line.fc4665f360a54018.webp)
 
 Хотя ничего явно не выделяется около 2003 года, это позволяет завершить урок на более позитивной ноте: несмотря на общее снижение количества колоний, их число стабилизируется, даже если урожайность на одну колонию уменьшается.
 
diff --git a/translations/ru/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/ru/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
index e743a635..cd5b065f 100644
--- a/translations/ru/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
+++ b/translations/ru/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -38,25 +38,25 @@
 
 Даже если дата-сайентист тщательно выбирает подходящую диаграмму для данных, существует множество способов представить данные так, чтобы доказать определенную точку зрения, часто в ущерб самим данным. Существует множество примеров обманчивых диаграмм и инфографики!
 
-[![Как диаграммы вводят в заблуждение, Альберто Кайро](../../../../../translated_images/ru/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Как диаграммы вводят в заблуждение")
+[![Как диаграммы вводят в заблуждение, Альберто Кайро](../../../../../translated_images/ru/tornado.2880ffc7f135f82b.webp)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Как диаграммы вводят в заблуждение")
 
 > 🎥 Нажмите на изображение выше, чтобы посмотреть доклад о вводящих в заблуждение диаграммах
 
 Эта диаграмма переворачивает ось X, чтобы показать противоположное истине, основываясь на дате:
 
-![плохая диаграмма 1](../../../../../translated_images/ru/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.png)
+![плохая диаграмма 1](../../../../../translated_images/ru/bad-chart-1.596bc93425a8ac30.webp)
 
 [Эта диаграмма](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) еще более обманчива, так как взгляд автоматически устремляется вправо, чтобы сделать вывод, что со временем случаи COVID сократились в различных округах. Однако, если внимательно посмотреть на даты, можно заметить, что они были переставлены, чтобы создать ложное впечатление нисходящего тренда.
 
-![плохая диаграмма 2](../../../../../translated_images/ru/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.jpg)
+![плохая диаграмма 2](../../../../../translated_images/ru/bad-chart-2.62edf4d2f30f4e51.webp)
 
 Этот печально известный пример использует цвет И перевернутую ось Y, чтобы ввести в заблуждение: вместо вывода о том, что количество смертей от огнестрельного оружия возросло после принятия закона, благоприятного для оружия, взгляд обманчиво воспринимает противоположное:
 
-![плохая диаграмма 3](../../../../../translated_images/ru/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.jpg)
+![плохая диаграмма 3](../../../../../translated_images/ru/bad-chart-3.e201e2e915a230bc.webp)
 
 Эта странная диаграмма показывает, как можно манипулировать пропорциями, вызывая комический эффект:
 
-![плохая диаграмма 4](../../../../../translated_images/ru/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.jpg)
+![плохая диаграмма 4](../../../../../translated_images/ru/bad-chart-4.8872b2b881ffa96c.webp)
 
 Сравнение несравнимого — еще один сомнительный прием. Существует [замечательный веб-сайт](https://tylervigen.com/spurious-correlations), посвященный "ложным корреляциям", где представлены "факты", связывающие, например, уровень разводов в штате Мэн и потребление маргарина. На Reddit также есть группа, собирающая [некрасивые примеры](https://www.reddit.com/r/dataisugly/top/?t=all) использования данных.
 
@@ -91,13 +91,13 @@
 
 Если ваши данные текстовые и содержат длинные подписи на оси X, вы можете наклонить текст для улучшения читаемости. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) предлагает 3D-графики, если ваши данные это поддерживают. С его помощью можно создавать сложные визуализации данных.
 
-![3D графики](../../../../../translated_images/ru/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.png)
+![3D графики](../../../../../translated_images/ru/3d.db1734c151eee87d.webp)
 
 ## Анимация и 3D-отображение диаграмм
 
 Некоторые из лучших визуализаций данных сегодня являются анимационными. Ширли Ву создала потрясающие примеры с использованием D3, такие как '[цветы фильмов](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', где каждый цветок представляет собой визуализацию фильма. Другой пример для Guardian — 'Bussed Out', интерактивный проект, сочетающий визуализации с Greensock и D3, а также формат статьи с прокруткой, чтобы показать, как Нью-Йорк решает проблему бездомных, отправляя их за пределы города.
 
-![перевозка](../../../../../translated_images/ru/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.png)
+![перевозка](../../../../../translated_images/ru/busing.8157cf1bc89a3f65.webp)
 
 > "Bussed Out: Как Америка перемещает своих бездомных" от [The Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Визуализации Надии Бремер и Ширли Ву
 
@@ -107,7 +107,7 @@
 
 Вы завершите веб-приложение, которое будет отображать анимированный вид этой социальной сети. Оно использует библиотеку, созданную для [визуализации сети](https://github.com/emiliorizzo/vue-d3-network) с использованием Vue.js и D3. Когда приложение запущено, вы можете перемещать узлы на экране, чтобы изменять расположение данных.
 
-![связи](../../../../../translated_images/ru/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.png)
+![связи](../../../../../translated_images/ru/liaisons.90ce7360bcf84765.webp)
 
 ## Проект: Создание диаграммы для отображения сети с использованием D3.js
 
diff --git a/translations/ru/3-Data-Visualization/README.md b/translations/ru/3-Data-Visualization/README.md
index 4c6e3591..b139bc4b 100644
--- a/translations/ru/3-Data-Visualization/README.md
+++ b/translations/ru/3-Data-Visualization/README.md
@@ -1,6 +1,6 @@
 # Визуализации
 
-![пчела на цветке лаванды](../../../translated_images/ru/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.jpg)
+![пчела на цветке лаванды](../../../translated_images/ru/bee.0aa1d91132b12e3a.webp)
 > Фото от <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> на <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
 
 Визуализация данных — одна из самых важных задач для специалиста по данным. Изображения говорят больше, чем тысяча слов, а визуализация может помочь вам выявить множество интересных аспектов ваших данных, таких как пики, выбросы, группировки, тенденции и многое другое, что поможет вам понять историю, которую ваши данные пытаются рассказать.
diff --git a/translations/ru/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/ru/4-Data-Science-Lifecycle/14-Introduction/README.md
index 9d181172..7b59743e 100644
--- a/translations/ru/4-Data-Science-Lifecycle/14-Introduction/README.md
+++ b/translations/ru/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -16,7 +16,7 @@
 
 Этот урок сосредоточен на трех частях жизненного цикла: сборе данных, обработке и поддержке.
 
-![Диаграмма жизненного цикла Data Science](../../../../translated_images/ru/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.jpg)  
+![Диаграмма жизненного цикла Data Science](../../../../translated_images/ru/data-science-lifecycle.a1e362637503c4fb.webp)  
 > Фото от [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
 
 ## Сбор данных
@@ -92,7 +92,7 @@
 
 |Процесс Team Data Science (TDSP)|Стандартный процесс для анализа данных в различных отраслях (CRISP-DM)|
 |--|--|
-|![Жизненный цикл Team Data Science](../../../../translated_images/ru/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.png) | ![Изображение процесса CRISP-DM](../../../../translated_images/ru/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.png) |
+|![Жизненный цикл Team Data Science](../../../../translated_images/ru/tdsp-lifecycle2.e19029d598e2e73d.webp) | ![Изображение процесса CRISP-DM](../../../../translated_images/ru/CRISP-DM.8bad2b4c66e62aa7.webp) |
 | Изображение от [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Изображение от [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
 
 ## [Тест после лекции](https://ff-quizzes.netlify.app/en/ds/quiz/27)
diff --git a/translations/ru/4-Data-Science-Lifecycle/README.md b/translations/ru/4-Data-Science-Lifecycle/README.md
index 7d02e285..be96aef1 100644
--- a/translations/ru/4-Data-Science-Lifecycle/README.md
+++ b/translations/ru/4-Data-Science-Lifecycle/README.md
@@ -1,6 +1,6 @@
 # Жизненный цикл Data Science
 
-![communication](../../../translated_images/ru/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.jpg)  
+![communication](../../../translated_images/ru/communication.06d8e2a88d30d168.webp)  
 > Фото от <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> на <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
 
 В этих уроках вы изучите некоторые аспекты жизненного цикла Data Science, включая анализ и коммуникацию, связанные с данными.
diff --git a/translations/ru/5-Data-Science-In-Cloud/README.md b/translations/ru/5-Data-Science-In-Cloud/README.md
index 26cc497c..3eaadc5f 100644
--- a/translations/ru/5-Data-Science-In-Cloud/README.md
+++ b/translations/ru/5-Data-Science-In-Cloud/README.md
@@ -1,12 +1,12 @@
 # Наука о данных в облаке
 
-![cloud-picture](../../../translated_images/ru/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.jpg)
+![cloud-picture](../../../translated_images/ru/cloud-picture.f5526de3c6c6387b.webp)
 
 > Фото [Jelleke Vanooteghem](https://unsplash.com/@ilumire) с [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
 
 Когда речь идет о работе с большими данными в области науки о данных, облако может стать настоящим прорывом. В следующих трех уроках мы узнаем, что такое облако и почему оно может быть очень полезным. Мы также изучим набор данных о сердечной недостаточности и создадим модель, которая поможет оценить вероятность сердечной недостаточности у человека. Мы будем использовать возможности облака для обучения, развертывания и использования модели двумя различными способами. Один способ — используя только пользовательский интерфейс в стиле Low code/No code, другой — с помощью набора инструментов разработчика Azure Machine Learning (Azure ML SDK).
 
-![project-schema](../../../translated_images/ru/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.png)
+![project-schema](../../../translated_images/ru/project-schema.420e56d495624541.webp)
 
 ### Темы
 
diff --git a/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
index 09063ff6..23b0e9e0 100644
--- a/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
+++ b/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -32,7 +32,7 @@
 
  * [Наука о данных в здравоохранении](https://data-flair.training/blogs/data-science-in-healthcare/) - выделяет такие приложения, как медицинская визуализация (например, МРТ, рентген, КТ-сканирование), геномика (секвенирование ДНК), разработка лекарств (оценка рисков, прогнозирование успеха), предиктивная аналитика (уход за пациентами и логистика поставок), отслеживание и предотвращение заболеваний и т.д.
 
-![Приложения науки о данных в реальном мире](../../../../translated_images/ru/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.png) Источник изображения: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+![Приложения науки о данных в реальном мире](../../../../translated_images/ru/data-science-applications.4e5019cd8790ebac.webp) Источник изображения: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
 
 На рисунке показаны другие области и примеры применения методов науки о данных. Хотите изучить другие приложения? Ознакомьтесь с разделом [Обзор и самостоятельное изучение](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) ниже.
 
diff --git a/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
index a6212b88..6f68a1a3 100644
--- a/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
+++ b/translations/ru/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -13,7 +13,7 @@
  2. Изучить [каталог наборов данных](https://planetarycomputer.microsoft.com/catalog) — узнать назначение каждого набора.
  3. Использовать Explorer — выбрать интересующий набор данных, подходящий запрос и вариант визуализации.
 
-![The Planetary Computer Explorer](../../../../translated_images/ru/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.png)
+![The Planetary Computer Explorer](../../../../translated_images/ru/planetary-computer-explorer.c1e95a9b053167d6.webp)
 
 `Ваше задание:`
 Теперь изучите визуализацию, которая отображается в браузере, и ответьте на следующие вопросы:
diff --git a/translations/ru/README.md b/translations/ru/README.md
index cde02d37..af07bce5 100644
--- a/translations/ru/README.md
+++ b/translations/ru/README.md
@@ -1,11 +1,11 @@
-# Data Science для начинающих — Учебная программа
+# Data Science для начинающих - учебная программа
 
 [![Открыть в GitHub Codespaces](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198)
 
 [![Лицензия GitHub](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE)
 [![Участники GitHub](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/)
 [![Проблемы GitHub](https://img.shields.io/github/issues/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/)
-[![Pull-запросы GitHub](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
+[![Запросы на изменения GitHub](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/)
 [![PRs приветствуются](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
 
 [![Наблюдатели GitHub](https://img.shields.io/github/watchers/microsoft/Data-Science-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/)
@@ -15,43 +15,53 @@
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-[![Форум разработчиков Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
+[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
-Адвокаты Azure Cloud в Microsoft рады предложить 10-недельную учебную программу из 20 уроков, посвящённую Data Science. Каждый урок включает в себя викторины до и после урока, письменные инструкции по выполнению, решение и задание. Наша проектно-ориентированная методика позволяет учиться, создавая проекты, что доказало свою эффективность в закреплении новых навыков.
+Azure Cloud Advocates в Microsoft рады предложить 10-недельную программу из 20 уроков полностью посвящённую Data Science. Каждый урок включает викторины до и после урока, письменные инструкции для выполнения урока, решение и задание. Наш проектно-ориентированный подход позволяет учиться, одновременно создавая проекты — доказанный способ лучше усваивать новые навыки.
 
-**Большое спасибо нашим авторам:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
+**Большая благодарность нашим авторам:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
 
-**🙏 Особая благодарность 🙏 нашим авторам, рецензентам и контент-создателям из [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/),** в частности Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
-[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar, [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
+**🙏 Особая благодарность 🙏 нашим авторам, рецензентам и контентным участникам из [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/),** в частности Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
+[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar , [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
 
 |![Скетчноут от @sketchthedocs https://sketchthedocs.dev](../../translated_images/ru/00-Title.8af36cd35da1ac55.webp)|
 |:---:|
-| Data Science для начинающих — _Скетчноут от [@nitya](https://twitter.com/nitya)_ |
+| Data Science для начинающих - _Скетчноут от [@nitya](https://twitter.com/nitya)_ |
 
-### 🌐 Поддержка нескольких языков
+### 🌐 Многоязычная поддержка
 
-#### Поддерживается через GitHub Action (автоматически и всегда актуально)
+#### Поддерживается через GitHub Action (Автоматически и всегда актуально)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
-[Арабский](../ar/README.md) | [Бенгальский](../bn/README.md) | [Болгарский](../bg/README.md) | [Бирманский (Мьянма)](../my/README.md) | [Китайский (упрощённый)](../zh-CN/README.md) | [Китайский (традиционный, Гонконг)](../zh-HK/README.md) | [Китайский (традиционный, Макао)](../zh-MO/README.md) | [Китайский (традиционный, Тайвань)](../zh-TW/README.md) | [Хорватский](../hr/README.md) | [Чешский](../cs/README.md) | [Датский](../da/README.md) | [Нидерландский](../nl/README.md) | [Эстонский](../et/README.md) | [Финский](../fi/README.md) | [Французский](../fr/README.md) | [Немецкий](../de/README.md) | [Греческий](../el/README.md) | [Иврит](../he/README.md) | [Хинди](../hi/README.md) | [Венгерский](../hu/README.md) | [Индонезийский](../id/README.md) | [Итальянский](../it/README.md) | [Японский](../ja/README.md) | [Каннада](../kn/README.md) | [Корейский](../ko/README.md) | [Литовский](../lt/README.md) | [Малайский](../ms/README.md) | [Малаялам](../ml/README.md) | [Маратхи](../mr/README.md) | [Непальский](../ne/README.md) | [Нигерийский пиджин](../pcm/README.md) | [Норвежский](../no/README.md) | [Персидский (фарси)](../fa/README.md) | [Польский](../pl/README.md) | [Португальский (Бразилия)](../pt-BR/README.md) | [Португальский (Португалия)](../pt-PT/README.md) | [Пенджаби (Гурмукхи)](../pa/README.md) | [Румынский](../ro/README.md) | [Русский](./README.md) | [Сербский (кириллица)](../sr/README.md) | [Словацкий](../sk/README.md) | [Словенский](../sl/README.md) | [Испанский](../es/README.md) | [Суахили](../sw/README.md) | [Шведский](../sv/README.md) | [Тагалог (Филиппины)](../tl/README.md) | [Тамильский](../ta/README.md) | [Телугу](../te/README.md) | [Тайский](../th/README.md) | [Турецкий](../tr/README.md) | [Украинский](../uk/README.md) | [Урду](../ur/README.md) | [Вьетнамский](../vi/README.md)
-
-> **Хотите клонировать локально?**
+[Арабский](../ar/README.md) | [Бенгали](../bn/README.md) | [Болгарский](../bg/README.md) | [Бирманский (Мьянма)](../my/README.md) | [Китайский (упрощённый)](../zh-CN/README.md) | [Китайский (традиционный, Гонконг)](../zh-HK/README.md) | [Китайский (традиционный, Макао)](../zh-MO/README.md) | [Китайский (традиционный, Тайвань)](../zh-TW/README.md) | [Хорватский](../hr/README.md) | [Чешский](../cs/README.md) | [Датский](../da/README.md) | [Нидерландский](../nl/README.md) | [Эстонский](../et/README.md) | [Финский](../fi/README.md) | [Французский](../fr/README.md) | [Немецкий](../de/README.md) | [Греческий](../el/README.md) | [Иврит](../he/README.md) | [Хинди](../hi/README.md) | [Венгерский](../hu/README.md) | [Индонезийский](../id/README.md) | [Итальянский](../it/README.md) | [Японский](../ja/README.md) | [Каннада](../kn/README.md) | [Корейский](../ko/README.md) | [Литовский](../lt/README.md) | [Малазийский](../ms/README.md) | [Малаялам](../ml/README.md) | [Марати](../mr/README.md) | [Непальский](../ne/README.md) | [Нигерийский пиджин](../pcm/README.md) | [Норвежский](../no/README.md) | [Персидский (фарси)](../fa/README.md) | [Польский](../pl/README.md) | [Португальский (Бразилия)](../pt-BR/README.md) | [Португальский (Португалия)](../pt-PT/README.md) | [Пенджаби (Гурмукхи)](../pa/README.md) | [Румынский](../ro/README.md) | [Русский](./README.md) | [Сербский (кириллица)](../sr/README.md) | [Словацкий](../sk/README.md) | [Словенский](../sl/README.md) | [Испанский](../es/README.md) | [Свахили](../sw/README.md) | [Шведский](../sv/README.md) | [Тагальский (филиппинский)](../tl/README.md) | [Тамильский](../ta/README.md) | [Телугу](../te/README.md) | [Тайский](../th/README.md) | [Турецкий](../tr/README.md) | [Украинский](../uk/README.md) | [Урду](../ur/README.md) | [Вьетнамский](../vi/README.md)
 
-> Этот репозиторий содержит более 50 переводов, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:
+> **Предпочитаете клонировать локально?**
+>
+> В этом репозитории есть более 50 языковых переводов, что значительно увеличивает размер скачивания. Чтобы клонировать без переводов, используйте sparse checkout:
+>
+> **Bash / macOS / Linux:**
 > ```bash
 > git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
 > cd Data-Science-For-Beginners
 > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
 > ```
-> Это даст вам всё необходимое для прохождения курса при гораздо более быстрой загрузке.
+>
+> **CMD (Windows):**
+> ```cmd
+> git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
+> cd Data-Science-For-Beginners
+> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
+> ```
+>
+> Это даст вам всё, что нужно для прохождения курса с гораздо более быстрой загрузкой.
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
 
-**Если вы хотите добавить поддержку других языков, см. список [здесь](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**Если вы хотите, чтобы дополнительные языки переводов были поддержаны, они перечислены [здесь](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
 
 #### Присоединяйтесь к нашему сообществу  
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-У нас проходит серия по обучению с AI в Discord, узнайте больше и присоединяйтесь на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.
+У нас продолжается серия занятий в Discord с обучением с помощью ИИ, узнайте больше и присоединяйтесь к нам на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и хитрости по использованию GitHub Copilot для Data Science.
 
 ![Серия Learn with AI](../../translated_images/ru/1.2b28cdc6205e26fe.webp)
 
@@ -59,194 +69,195 @@
 
 Начните с следующих ресурсов:
 
-- [Страница Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На этой странице вы найдёте материалы для начинающих, студенческие наборы и даже способы получить бесплатный ваучер на сертификацию. Это страница, которую стоит добавить в закладки и периодически проверять, так как контент обновляется как минимум раз в месяц.
-- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Присоединяйтесь к глобальному сообществу студенческих амбассадоров — это может стать вашим путём в Microsoft.
+- [Страница Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На этой странице вы найдете ресурсы для начинающих, студенческие наборы и даже способы получить бесплатный сертификат. Это страница, которую стоит добавить в закладки и время от времени проверять, поскольку мы обновляем контент как минимум раз в месяц.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Присоединяйтесь к глобальному сообществу студенческих амбассадоров, это может стать вашим путём в Microsoft.
 
 # Начало работы
 
 ## 📚 Документация
 
-- **[Руководство по установке](INSTALLATION.md)** — Поэтапные инструкции по настройке для начинающих
-- **[Руководство по использованию](USAGE.md)** — Примеры и распространённые сценарии работы
-- **[Руководство по устранению неполадок](TROUBLESHOOTING.md)** — Решения типичных проблем
-- **[Руководство по участию](CONTRIBUTING.md)** — Как внести вклад в этот проект
-- **[Для преподавателей](for-teachers.md)** — Методические рекомендации и материалы для занятий
+- **[Руководство по установке](INSTALLATION.md)** - Пошаговые инструкции по настройке для начинающих
+- **[Руководство по использованию](USAGE.md)** - Примеры и распространённые сценарии работы
+- **[Устранение неисправностей](TROUBLESHOOTING.md)** - Решения распространённых проблем
+- **[Руководство по внесению вклада](CONTRIBUTING.md)** - Как внести вклад в этот проект
+- **[Для преподавателей](for-teachers.md)** - Методические указания и материалы для занятий
 
 ## 👨‍🎓 Для студентов
-> **Совершенно новые пользователи**: новичок в data science? Начните с наших [простых примеров для начинающих](examples/README.md)! Эти простые и хорошо прокомментированные примеры помогут понять основы, прежде чем перейти к полной программе.
-> **[Студенты](https://aka.ms/student-page)**: чтобы использовать эту программу самостоятельно, создайте форк всего репозитория и выполняйте упражнения самостоятельно, начиная с викторины перед лекцией. Затем прочитайте лекцию и выполните остальные задания. Старайтесь создавать проекты, осмысленно усваивая уроки, а не просто копируя код решений; однако код решений доступен в папках /solutions каждого проектно-ориентированного урока. Другой вариант — собрать учебную группу с друзьями и изучать материал вместе. Для дальнейшего обучения рекомендуем [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+> **Полные новички**: Новички в Data Science? Начните с наших [примеров для начинающих](examples/README.md)! Эти простые, хорошо прокомментированные примеры помогут вам разобраться с основами перед изучением всей программы.
+> **[Студенты](https://aka.ms/student-page)**: чтобы использовать эту программу самостоятельно, форкните весь репозиторий и выполняйте упражнения самостоятельно, начиная с викторины до лекции. Затем прочитайте лекцию и выполните остальные задания. Старайтесь создавать проекты, понимая уроки, а не просто копируя решения; однако код решений доступен в папках /solutions для каждого урока с проектами. Ещё одна идея — сформировать учебную группу с друзьями и проходить материал вместе. Для дополнительного обучения рекомендуем [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
 
 **Быстрый старт:**
 1. Ознакомьтесь с [Руководством по установке](INSTALLATION.md) для настройки среды
-2. Изучите [Руководство по использованию](USAGE.md), чтобы узнать, как работать с программой
+2. Изучите [Руководство по использованию](USAGE.md), чтобы понять работу с программой
 3. Начинайте с урока 1 и проходите последовательно
-4. Присоединяйтесь к нашему [Discord-сообществу](https://aka.ms/ds4beginners/discord) за поддержкой
+4. Присоединяйтесь к нашему [сообществу Discord](https://aka.ms/ds4beginners/discord) для поддержки
 
 ## 👩‍🏫 Для преподавателей
+> **Преподаватели**: мы включили [некоторые рекомендации](for-teachers.md) по использованию этой учебной программы. Будем рады вашим отзывам [в нашем форуме для обсуждений](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
 
-> **Преподаватели**: мы [включили некоторые рекомендации](for-teachers.md) по использованию этой программы. Будем рады вашим отзывам [в нашем форуме обсуждений](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
-## Встречайте команду
+## Познакомьтесь с командой
 
 [![Промо-видео](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Промо-видео")
 
 **Гифка от** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
 
-> 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
+> 🎥 Нажмите на изображение выше для просмотра видео о проекте и людях, которые его создали!
 
 ## Педагогика
 
-Мы выбрали два педагогических принципа при создании этой учебной программы: обеспечение проектной направленности и включение частых викторин. К концу этой серии студенты узнают основные принципы науки о данных, включая этические концепции, подготовку данных, различные способы работы с данными, визуализацию данных, анализ данных, реальные случаи использования науки о данных и многое другое.
+Мы выбрали два педагогических принципа при создании этой учебной программы: сделать её проектно-ориентированной и включить частые викторины. К концу серии студенты изучат основные принципы науки о данных, включая этические концепции, подготовку данных, различные способы работы с данными, визуализацию данных, анализ данных, реальные случаи применения науки о данных и многое другое.
 
-Кроме того, викторина с низкой ставкой перед занятием задаёт намерение студента на изучение темы, а вторая викторина после занятия обеспечивает лучшее закрепление материала. Эта учебная программа была разработана так, чтобы быть гибкой и интересной, и её можно проходить полностью или частично. Проекты начинаются с простых и становятся всё более сложными к концу 10-недельного цикла.
+Кроме того, викторина с низкой степенью сложности перед занятием задаёт настрой студента на изучение темы, а вторая викторина после занятия помогает закрепить материал. Эта учебная программа разработана, чтобы быть гибкой и увлекательной, её можно пройти целиком или частично. Проекты начинаются с простых и становятся всё более сложными к концу 10-недельного цикла.
 
-> Ознакомьтесь с нашим [Кодексом поведения](CODE_OF_CONDUCT.md), [правилами участия](CONTRIBUTING.md), [переводческими](TRANSLATIONS.md) рекомендациями. Мы приветствуем ваши конструктивные отзывы!
+> Посмотрите наши [Правила поведения](CODE_OF_CONDUCT.md), [Правила внесения изменений](CONTRIBUTING.md), [Руководство по переводу](TRANSLATIONS.md). Мы приветствуем ваши конструктивные отзывы!
 
-## Каждое занятие включает:
+## В каждом уроке есть:
 
-- Опциональную скетчноут
+- Опциональная зарисовка
 - Опциональное дополнительное видео
-- Разминку-викторину перед занятием
-- Письменный урок
-- Для проектных уроков — пошаговые руководства по созданию проекта
+- Разминка-викторина перед уроком
+- Текст урока
+- Для проектно-ориентированных уроков — пошаговые инструкции по созданию проекта
 - Проверки знаний
-- Задание
+- Задание вызова
 - Дополнительное чтение
-- [Викторину после урока](https://ff-quizzes.netlify.app/en/)
+- Домашнее задание
+- [Викторина после урока](https://ff-quizzes.netlify.app/en/)
 
-> **Примечание о викторинах**: Все викторины находятся в папке Quiz-App, всего 40 викторин по три вопроса каждая. Они связаны из уроков, но приложение викторин можно запускать локально или размещать в Azure; следуйте инструкциям в папке `quiz-app`. Они постепенно локализуются.
+> **Примечание о викторинах**: Все викторины находятся в папке Quiz-App, всего 40 викторин по три вопроса каждая. Они связаны из уроков, но приложение викторин можно запускать локально или развернуть в Azure; следуйте инструкциям в папке `quiz-app`. Они постепенно локализуются.
 
 ## 🎓 Примеры для начинающих
 
-**Новички в науке о данных?** Мы создали специальный [каталог примеров](examples/README.md) с простым, хорошо прокомментированным кодом, чтобы помочь вам начать:
+**Новый в науке о данных?** Мы создали специальный [каталог с примерами](examples/README.md) с простым, хорошо комментированным кодом, чтобы помочь вам начать:
 
-- 🌟 **Hello World** — ваша первая программа по науке о данных
-- 📂 **Загрузка данных** — научитесь читать и исследовать наборы данных
-- 📊 **Простой анализ** — вычисляйте статистику и находите закономерности
-- 📈 **Базовая визуализация** — создавайте диаграммы и графики
-- 🔬 **Реальный проект** — полный рабочий процесс от начала до конца
+- 🌟 **Hello World** — Ваша первая программа по науке о данных
+- 📂 **Загрузка данных** — Учитесь читать и исследовать наборы данных
+- 📊 **Простой анализ** — Рассчитывайте статистику и находите закономерности
+- 📈 **Базовая визуализация** — Создавайте диаграммы и графики
+- 🔬 **Реальный проект** — Полный рабочий процесс от начала до конца
 
-Каждый пример включает подробные комментарии, объясняющие каждый шаг, что идеально подходит для абсолютных новичков!
+Каждый пример содержит подробные комментарии, объясняющие каждый шаг, что идеально подходит для абсолютных начинающих!
 
 👉 **[Начните с примеров](examples/README.md)** 👈
 
 ## Уроки
 
 
-|![ Скетчноут от @sketchthedocs https://sketchthedocs.dev](../../translated_images/ru/00-Roadmap.4905d6567dff4753.webp)|
+|![ Зарисовка от @sketchthedocs https://sketchthedocs.dev](../../translated_images/ru/00-Roadmap.4905d6567dff4753.webp)|
 |:---:|
-| Наука о данных для начинающих: Дорожная карта - _Скетчноут от [@nitya](https://twitter.com/nitya)_ |
+| Наука о данных для начинающих: план - _Зарисовка от [@nitya](https://twitter.com/nitya)_ |
 
 
 | Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок | Автор |
 | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
-| 01 | Определение науки о данных | [Введение](1-Introduction/README.md) | Изучить основные концепции науки о данных и её связи с искусственным интеллектом, машинным обучением и большими данными. | [урок](1-Introduction/01-defining-data-science/README.md) [видео](https://youtu.be/beZ7Mb_oz9I) | [Дмитрий](http://soshnikov.com) |
-| 02 | Этика в науке о данных | [Введение](1-Introduction/README.md) | Концепции этики данных, вызовы и рамочные подходы. | [урок](1-Introduction/02-ethics/README.md) | [Нития](https://twitter.com/nitya) |
-| 03 | Определение данных | [Введение](1-Introduction/README.md) | Как классифицируются данные и их распространённые источники. | [урок](1-Introduction/03-defining-data/README.md) | [Жасмин](https://www.twitter.com/paladique) |
+| 01 | Определение науки о данных | [Введение](1-Introduction/README.md) | Изучить базовые концепции науки о данных и её связь с искусственным интеллектом, машинным обучением и большими данными. | [урок](1-Introduction/01-defining-data-science/README.md) [видео](https://youtu.be/beZ7Mb_oz9I) | [Дмитрий](http://soshnikov.com) |
+| 02 | Этика в науке о данных | [Введение](1-Introduction/README.md) | Концепции этики данных, вызовы и рамки. | [урок](1-Introduction/02-ethics/README.md) | [Нитья](https://twitter.com/nitya) |
+| 03 | Определение данных | [Введение](1-Introduction/README.md) | Как классифицируются данные и их основные источники. | [урок](1-Introduction/03-defining-data/README.md) | [Жасмин](https://www.twitter.com/paladique) |
 | 04 | Введение в статистику и вероятность | [Введение](1-Introduction/README.md) | Математические методы вероятности и статистики для понимания данных. | [урок](1-Introduction/04-stats-and-probability/README.md) [видео](https://youtu.be/Z5Zy85g4Yjw) | [Дмитрий](http://soshnikov.com) |
-| 05 | Работа с реляционными данными | [Работа с данными](2-Working-With-Data/README.md) | Введение в реляционные данные и основы изучения и анализа реляционных данных с помощью языка структурированных запросов SQL (произносится «си-квел»). | [урок](2-Working-With-Data/05-relational-databases/README.md) | [Кристофер](https://www.twitter.com/geektrainer) | | |
-| 06 | Работа с NoSQL данными | [Работа с данными](2-Working-With-Data/README.md) | Введение в нереляционные данные, их типы и основы изучения и анализа документных баз данных. | [урок](2-Working-With-Data/06-non-relational/README.md) | [Жасмин](https://twitter.com/paladique)|
-| 07 | Работа с Python | [Работа с данными](2-Working-With-Data/README.md) | Основы использования Python для исследования данных с библиотеками, такими как Pandas. Рекомендуются базовые знания Python. | [урок](2-Working-With-Data/07-python/README.md) [видео](https://youtu.be/dZjWOGbsN4Y) | [Дмитрий](http://soshnikov.com) |
-| 08 | Подготовка данных | [Работа с данными](2-Working-With-Data/README.md) | Темы по очистке и преобразованию данных для решения проблем с отсутствующими, неточными или неполными данными. | [урок](2-Working-With-Data/08-data-preparation/README.md) | [Жасмин](https://www.twitter.com/paladique) |
-| 09 | Визуализация количеств | [Визуализация данных](3-Data-Visualization/README.md) | Изучите использование Matplotlib для визуализации данных о птицах 🦆 | [урок](3-Data-Visualization/09-visualization-quantities/README.md) | [Джен](https://twitter.com/jenlooper) |
-| 10 | Визуализация распределения данных | [Визуализация данных](3-Data-Visualization/README.md) | Визуализация наблюдений и тенденций в интервале. | [урок](3-Data-Visualization/10-visualization-distributions/README.md) | [Джен](https://twitter.com/jenlooper) |
-| 11 | Визуализация пропорций | [Визуализация данных](3-Data-Visualization/README.md) | Визуализация дискретных и сгруппированных процентов. | [урок](3-Data-Visualization/11-visualization-proportions/README.md) | [Джен](https://twitter.com/jenlooper) |
+| 05 | Работа с реляционными данными | [Работа с данными](2-Working-With-Data/README.md) | Введение в реляционные данные и основы исследования и анализа реляционных данных с помощью языка структурированных запросов, известного как SQL (произносится «си-кью-эл»). | [урок](2-Working-With-Data/05-relational-databases/README.md) | [Кристофер](https://www.twitter.com/geektrainer) | | |
+| 06 | Работа с NoSQL данными | [Работа с данными](2-Working-With-Data/README.md) | Введение в нереляционные данные, их различные типы и основы исследования и анализа документальных баз данных. | [урок](2-Working-With-Data/06-non-relational/README.md) | [Жасмин](https://twitter.com/paladique) |
+| 07 | Работа с Python | [Работа с данными](2-Working-With-Data/README.md) | Основы использования Python для исследования данных с библиотеками, такими как Pandas. Рекомендуется базовое понимание программирования на Python. | [урок](2-Working-With-Data/07-python/README.md) [видео](https://youtu.be/dZjWOGbsN4Y) | [Дмитрий](http://soshnikov.com) |
+| 08 | Подготовка данных | [Работа с данными](2-Working-With-Data/README.md) | Темы, касающиеся техник очистки и преобразования данных для решения проблем с отсутствующими, неточными или неполными данными. | [урок](2-Working-With-Data/08-data-preparation/README.md) | [Жасмин](https://www.twitter.com/paladique) |
+| 09 | Визуализация количеств | [Визуализация данных](3-Data-Visualization/README.md) | Изучите, как использовать Matplotlib для визуализации данных о птицах 🦆 | [урок](3-Data-Visualization/09-visualization-quantities/README.md) | [Джен](https://twitter.com/jenlooper) |
+| 10 | Визуализация распределений данных | [Визуализация данных](3-Data-Visualization/README.md) | Визуализация наблюдений и тенденций в интервале. | [урок](3-Data-Visualization/10-visualization-distributions/README.md) | [Джен](https://twitter.com/jenlooper) |
+| 11 | Визуализация пропорций | [Визуализация данных](3-Data-Visualization/README.md) | Визуализация дискретных и групповых процентов. | [урок](3-Data-Visualization/11-visualization-proportions/README.md) | [Джен](https://twitter.com/jenlooper) |
 | 12 | Визуализация связей | [Визуализация данных](3-Data-Visualization/README.md) | Визуализация связей и корреляций между наборами данных и их переменными. | [урок](3-Data-Visualization/12-visualization-relationships/README.md) | [Джен](https://twitter.com/jenlooper) |
-| 13 | Значимые визуализации | [Визуализация данных](3-Data-Visualization/README.md) | Приёмы и рекомендации для создания ценных визуализаций для эффективного решения задач и получения инсайтов. | [урок](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Джен](https://twitter.com/jenlooper) |
-| 14 | Введение в жизненный цикл науки о данных | [Жизненный цикл](4-Data-Science-Lifecycle/README.md) | Введение в жизненный цикл науки о данных и его первый этап — получение и извлечение данных. | [урок](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Жасмин](https://twitter.com/paladique) |
-| 15 | Анализ | [Жизненный цикл](4-Data-Science-Lifecycle/README.md) | Этот этап жизненного цикла науки о данных фокусируется на техниках анализа данных. | [урок](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Жасмин](https://twitter.com/paladique) | | |
-| 16 | Коммуникация | [Жизненный цикл](4-Data-Science-Lifecycle/README.md) | Этот этап жизненного цикла науки о данных фокусируется на представлении инсайтов из данных так, чтобы решениям было легче их понять. | [урок](4-Data-Science-Lifecycle/16-communication/README.md) | [Джейлен](https://twitter.com/JalenMcG) | | |
-| 17 | Наука о данных в облаке | [Облачные данные](5-Data-Science-In-Cloud/README.md) | Эта серия уроков знакомит с наукой о данных в облаке и её преимуществами. | [урок](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Тиффани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) |
-| 18 | Наука о данных в облаке | [Облачные данные](5-Data-Science-In-Cloud/README.md) | Обучение моделей с использованием Low Code инструментов. |[урок](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Тиффани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) |
-| 19 | Наука о данных в облаке | [Облачные данные](5-Data-Science-In-Cloud/README.md) | Развёртывание моделей с помощью Azure Machine Learning Studio. | [урок](5-Data-Science-In-Cloud/19-Azure/README.md)| [Тиффани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) |
-| 20 | Наука о данных в реальной жизни | [В реальной жизни](6-Data-Science-In-Wild/README.md) | Проекты по науке о данных в реальном мире. | [урок](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Нития](https://twitter.com/nitya) |
+| 13 | Значимые визуализации | [Визуализация данных](3-Data-Visualization/README.md) | Техники и рекомендации для создания визуализаций, которые ценны для эффективного решения задач и получения инсайтов. | [урок](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Джен](https://twitter.com/jenlooper) |
+| 14 | Введение в жизненный цикл науки о данных | [Жизненный цикл](4-Data-Science-Lifecycle/README.md) | Введение в жизненный цикл науки о данных и его первый этап — сбор и извлечение данных. | [урок](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Жасмин](https://twitter.com/paladique) |
+| 15 | Анализ | [Жизненный цикл](4-Data-Science-Lifecycle/README.md) | Этот этап жизненного цикла науки о данных сосредоточен на техниках анализа данных. | [урок](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Жасмин](https://twitter.com/paladique) | | |
+| 16 | Коммуникация | [Жизненный цикл](4-Data-Science-Lifecycle/README.md) | Этот этап жизненного цикла науки о данных сосредоточен на представлении выводов из данных таким образом, чтобы обусловить лучшее понимание у принимающих решения. | [урок](4-Data-Science-Lifecycle/16-communication/README.md) | [Джейлен](https://twitter.com/JalenMcG) | | |
+| 17 | Наука о данных в облаке | [Данные в облаке](5-Data-Science-In-Cloud/README.md) | Эта серия уроков знакомит с наукой о данных в облаке и её преимуществами. | [урок](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Тиффани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) |
+| 18 | Наука о данных в облаке | [Данные в облаке](5-Data-Science-In-Cloud/README.md) | Обучение моделей с использованием Low Code инструментов. |[урок](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Тиффани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) |
+| 19 | Наука о данных в облаке | [Данные в облаке](5-Data-Science-In-Cloud/README.md) | Развёртывание моделей с помощью Azure Machine Learning Studio. | [урок](5-Data-Science-In-Cloud/19-Azure/README.md)| [Тиффани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) |
+| 20 | Наука о данных в реальной жизни | [В реальной жизни](6-Data-Science-In-Wild/README.md) | Проекты, основанные на науке о данных в реальном мире. | [урок](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Нитья](https://twitter.com/nitya) |
 
 ## GitHub Codespaces
 
 Выполните следующие шаги, чтобы открыть этот пример в Codespace:
-1. Нажмите на меню Code и выберите опцию Open with Codespaces.
-2. Внизу панели выберите + New codespace.
-Для получения дополнительной информации ознакомьтесь с [документацией GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+1. Нажмите на выпадающее меню Code и выберите опцию Open with Codespaces.
+2. Выберите + New codespace внизу панели.
+Для дополнительной информации смотрите [документацию GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
 
-## VSCode Remote - Containers
-Выполните следующие шаги, чтобы открыть этот репозиторий в контейнере на вашем локальном компьютере с помощью VSCode и расширения VS Code Remote - Containers:
+## VSCode Remote - Контейнеры
+Выполните следующие шаги, чтобы открыть этот репозиторий в контейнере на локальной машине с помощью VSCode и расширения VS Code Remote - Containers:
 
-1. Если вы впервые используете контейнер для разработки, убедитесь, что ваша система соответствует требованиям (например, установлен Docker) в [руководстве по началу работы](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+1. Если вы используете контейнер разработки впервые, убедитесь, что ваша система соответствует требованиям (например, установлен Docker) в [документации по началу работы](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
 
-Для использования этого репозитория вы можете либо открыть репозиторий в изолированном Docker volume:
+Чтобы использовать этот репозиторий, вы можете открыть репозиторий в изолированном Docker томе:
 
-**Примечание**: Под капотом будет использоваться команда Remote-Containers: **Clone Repository in Container Volume...** для клонирования исходного кода в Docker volume вместо локальной файловой системы. [Volumes](https://docs.docker.com/storage/volumes/) — предпочтительный механизм для сохранения данных контейнера.
+**Примечание**: В основе этого используется команда Remote-Containers: **Clone Repository in Container Volume...**, которая клонирует исходный код в Docker том вместо файловой системы локального компьютера. [Тома](https://docs.docker.com/storage/volumes/) — предпочтительный механизм для сохранения данных контейнера.
 
-Или открыть локально клонированную или скачанную версию репозитория:
+Или открыть локально клонированную или загруженную версию репозитория:
 
-- Клонируйте этот репозиторий на локальный диск.
+- Клонируйте этот репозиторий на свой локальный диск.
 - Нажмите F1 и выберите команду **Remote-Containers: Open Folder in Container...**.
 - Выберите клонированную копию этой папки, дождитесь запуска контейнера и приступайте к работе.
 
 ## Офлайн-доступ
 
-Вы можете просматривать эту документацию офлайн с помощью [Docsify](https://docsify.js.org/#/). Форкайте этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на локальной машине, затем в корневой папке репозитория введите `docsify serve`. Сайт будет доступен на порту 3000 на вашем localhost: `localhost:3000`.
+Вы можете запускать эту документацию офлайн, используя [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на свой локальный компьютер, затем в корневой папке репозитория введите `docsify serve`. Веб-сайт будет доступен на порту 3000 на вашем локальном хосте: `localhost:3000`.
 
-> Обратите внимание, что ноутбуки не будут отображаться через Docsify, поэтому для работы с ноутбуками запускайте их отдельно в VS Code с поддержкой Python ядра.
+> Обратите внимание, что ноутбуки не будут отображаться через Docsify, поэтому для работы с ноутбуками используйте VS Code с Python ядром отдельно.
 
 ## Другие учебные программы
 
-Наша команда создаёт и другие учебные программы! Ознакомьтесь с:
+Наша команда выпускает и другие учебные программы! Ознакомьтесь с:
 
 <!-- CO-OP TRANSLATOR OTHER COURSES START -->
 ### LangChain
 [![LangChain4j для начинающих](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners)
-[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[![LangChain.js для начинающих](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[![LangChain для начинающих](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
 ---
 
 ### Azure / Edge / MCP / Агенты
-[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![AZD для начинающих](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![Edge AI для начинающих](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![MCP для начинающих](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![AI агенты для начинающих](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
  
 ### Серия по генеративному ИИ
-[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[![Генеративный ИИ для начинающих](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![Генеративный ИИ (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[![Генеративный ИИ (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[![Генеративный ИИ (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
 
 ---
  
 ### Основное обучение
-[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[![МЛ для начинающих](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
+[![Наука о данных для начинающих](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
+[![ИИ для начинающих](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
+[![Кибербезопасность для начинающих](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[![Веб-разработка для начинающих](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
+[![IoT для начинающих](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[![XR разработка для начинающих](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
 
 ---
  
 ### Серия Copilot
-[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+[![Copilot для парного программирования с ИИ](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[![Copilot для C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[![Приключения Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
 <!-- CO-OP TRANSLATOR OTHER COURSES END -->
 
 ## Получение помощи
 
-**Возникли проблемы?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решения распространённых проблем.
+**Возникли проблемы?** Ознакомьтесь с нашим [Руководством по устранению неполадок](TROUBLESHOOTING.md) для поиска решений распространённых проблем.
 
-Если вы застряли или у вас есть вопросы по созданию AI-приложений, присоединяйтесь к другим учащимся и опытным разработчикам для обсуждения MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно делятся.
+Если вы застряли или у вас есть вопросы по созданию ИИ-приложений, присоединяйтесь к другим учащимся и опытным разработчикам для обсуждений по MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно делятся.
 
 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
 
-Если у вас есть отзывы о продукте или вы столкнулись с ошибками при создании, посетите:
+Если у вас есть отзывы по продукту или вы обнаружили ошибки при разработке, посетите:
 
 [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
 
 ---
 
 <!-- CO-OP TRANSLATOR DISCLAIMER START -->
-**Отказ от ответственности**:  
-Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, просим учитывать, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется обращаться к профессиональному переводчику. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.
+**Отказ от ответственности**:
+Данный документ был переведен с помощью сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Исходный документ на его оригинальном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или искажения смысла, возникающие в результате использования данного перевода.
 <!-- CO-OP TRANSLATOR DISCLAIMER END -->
\ No newline at end of file
diff --git a/translations/ru/sketchnotes/README.md b/translations/ru/sketchnotes/README.md
index b5e1a700..78845272 100644
--- a/translations/ru/sketchnotes/README.md
+++ b/translations/ru/sketchnotes/README.md
@@ -4,7 +4,7 @@
 
 Нития Нарасимхан, художник
 
-![скетчнота дорожной карты](../../../translated_images/ru/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.png)
+![скетчнота дорожной карты](../../../translated_images/ru/00-Roadmap.4905d6567dff4753.webp)
 
 ---